随着各类图像处理软件的兴起,人们可以肆意对图像内容进行二次编辑。如今数字图像作为一种信息载体已经在物流工程等领域中起着举足轻重的作用,大量的篡改图片会对日常工作、社会稳定带来严重的负面影响。现有的图像取证算法大多是直接利用卷积神经网络提取图像特征再进行分类。该类算法没有对物流单证类篡改图片的拼接区域占比小及拼接边缘存在差异等关键特点进行利用,故在物流单证篡改检测任务中存在模型泛化能力偏弱和检测效果较差等问题。本文针对上述问题提出了一种基于注意力引导的拼接篡改检测算法,使算法模型的重心聚焦在上述物流单证类图像中的关键特征中,以降低检测任务的误召情况提升模型泛化能力。具体研究成果有如下三点:（1）提出了一种基于自注意力机制的分类定位模型。本文对包括图像统计特征、噪声残差及空间信息在内的多种特征进行相关性计算,并以此构建注意力权重矩阵实现对特征向量的筛选。该模型一方面可以提升特征向量内在关联性,另一方面可以将学习重心集中在区域差异与边缘特征上,而忽略图像目标的形状、颜色和纹理等无关信息。最后本文在物流单证类篡改数据集上设置了多组实验与主流篡改检测算法进行比较。实验结果表明本文的模型分类精确率和召回率分别达到了 95.8%与82.9%,与基础网络相比提升了 7.3%的精确率与11.2%的召回率。减缓了传统篡改检测算法在物流单证篡改图片检测任务中的漏召、误召情况。（2）提出了一种基于噪声残差的图像预处理方法,通过对卷积网络的权重初始化与更新策略进行约束限制,使其具备提取目标区域边缘噪声残差的能力并能够针对不同任务场景自适应地进行修正。同时利用多尺度特征提取模块对预处理图像并行提取,提高了对小目标区域的检测精度。最后再利用深度卷积网络对特征图进行迭代提取,将各目标区域的像素分布特征与边缘特征融入特征图中,提升了特征图的信息丰富度。通过实验验证该方法可以在基准网络的实验结果上提高带来4.26%的召回率提升与3.79%的精确率提升。（3）本文面向现实物流工程领域对算法模型进行了工程化处理,基于Python编程语言与Django开源web应用框架搭建了图像拼接篡改检测系统,使得本文的研究具备了应用意义,为物流工程领域中的信息安全传输提供了正向帮助。