随着数码相机、智能手机等成像设备的日渐普及,图像成为当今社会重要的信息载体,并发挥着越来越重要的作用。随着图像处理软件的日益强大,用户可以轻易改变图像内容而不留下视觉痕迹。经篡改后的图像可能歪曲事实,误导舆论,影响司法公正。因此,对图像取证技术的研究具有重要社会意义,并受到越来越多学者的关注。而JPEG是当前应用最广泛的图像压缩格式。由于图像篡改通常伴随着两次JPEG压缩,因此检测JPEG图像压缩次数是图像取证的一个重要研究分支。当第二次JPEG压缩的品质因子与第一次相同时,只有极少的压缩痕迹会被留下,特别是在低品质因子情况下,因此相同品质因子的JPEG双压缩检测是数字图像取证中的一项具有挑战性的任务。卷积神经网络(CNN)在多个计算机视觉领域取得了超越传统方法的表现效果,本文将CNN应用于品质因子相同的JPEG双压缩检测,提出了一种基于稠密连接网络结构的检测算法。依靠特定的深层网络结构、全局平均池化、稠密连接和过渡结构,所提算法能够准确地捕获品质因子相同的JPEG双压缩留下的痕迹,而不受图像内容的影响。在此基础上,通过对残差连接与稠密连接的分析,本文提出了基于残差连接和稠密连接网络结构的检测算法,每个稠密连接块伴随一个残差连接块构成一个结构体,网络共包含三个结构体,这种结构设计在保留浅层提取到的图像特征的同时,可以进一步缩减网络复杂度。最后,将深度特征与传统特征通过级联方式相结合,并将组合特征基于机器学习框架进行训练测试,进一步提升算法准确率。两个数据集上的实验结果表明,本文提出的算法优于目前传统的JPEG双压缩检测方法,特别是在低品质因子的情况下。此外,本文提出的第二种网络结构在自适应的JPEG图像隐写检测方面也取得了优异的效果。