本文主要研究数字图像取证中的图像源辨识技术,其目的是确定一幅图像的设备来源,该技术作为数字图像取证技术的一个重要研究方向,被广泛应用于新闻媒体、知识产权、学术研究和法庭取证等领域。本文以设备型号辨识为目标,首次将非唯一伪像(Non-unique Artifact,NUA)噪声作为分析对象,在分析现有图像源辨识算法的基础上,利用深度卷积神经网络方法,对现有的基于卷积神经网络的图像源辨识算法进行改进。本文针对数字图像取证图像源辨识问题,对国内外现状进行研究,总结了用于设备型号和设备个体辨识的各种特征,分析不同特征的优缺点。基于以上分析提出了本文创新点:1.以NUA噪声为研究对象,提出了一种提取NUA噪声的方法,并通过大量仿真结果验证了NUA噪声对设备型号分类的有效性。2.提出了一种基于频率域的网络训练方法。与在空间域中对网络的训练方法不同,本文首次以NUA噪声为设备型号特征,利用其周期性特征,首次提出了在频率域训练网络的方法,仿真结果表明,本文提出的频率域方法与空间域方法相比,14类相机型号的准确率提高了约1.5%。3.针对现实情况中图像样本少、相机型号种类多且现有卷积神经网络技术对训练样本依赖性太强的问题,将孪生网络引入设备型号分类问题,并提出了一个用于分类的改进型孪生网络框架,仿真结果验证了该方法对少样本训练的有效性。最后本文采用标准Dresden数据库和VISION数据库对算法性能进行综合验证与评估,在基于频率域的网络训练算法仿真中,使用Alex Net与较复杂的网络Goog Le Net相比,训练时间减少了50%以上,且在22类相机型号分类和23类手机型号分类中均达到了99%以上的准确率;在基于孪生网络的设备型号分类算法仿真中,仅使用了上述实验中的十分之一数据量,就达到了86%的分类准确率,表明了孪生网络用于图像源分类问题的巨大潜力。