随着多媒体信息技术的迅速发展,数字图像数据急剧增长。数字图像在给人们生活带来便利的同时也滋生了一系列社会问题,如数字图像内容容易被篡改,引发人们对数字图像内容的真实性、来源的可靠性产生了质疑。为了解决此类问题,数字图像取证技术应运而生。数字图像来源设备辨识技术是其中一个分支,主要任务是通过分析成像设备在成像过程中遗留在数字图像内的痕迹从而追溯数字图像的来源。数字图像来源设备辨识算法一般被认为是多分类问题,传统的算法主要通过手工设计特征进行分类。本文提出两种数字图像来源设备辨识算法:基于卷积神经网络的数字图像来源设备辨识算法,基于特征融合的数字图像来源设备辨识算法。针对这两种算法,取得如下研究成果:(1)提出一种基于卷积神经网络的辨识算法,通过高斯滤波、提取模式噪声的预处理操作对原始图像增加了两种图像数据,建立具有三个独立通路的卷积神经网络(Convolutional Neural Network,CNN)分别对原始图像的三个不同形态进行训练,最终将三通道的组合输出作为模型的输出。该算法还对单通道CNN的网络做了优化,在传统的CNN网络结构中添加了多级特征提取结构。最后通过实验验证了所提算法的有效性。(2)针对单一特征不能完全刻画图像特征这一特点,提出了基于特征融合的辨识算法,探究了利用卷积神经网络提取所得特征和传统手工设计特征的多源性对辨识效果的影响。其中传统特征选取了具有代表性的光响应非均匀性模式噪声(Photo Response Non Uniformity,PRNU)特征和与共生矩阵特征,CNN特征的提取则沿用本文所提出的第一个算法。采用特征级融合和决策级融合两种策略对两种不同来源的特征进行融合,分类器选用支持向量机。通过实验对该算法进行了验证,结果显示相较于单一特征提取算法,本文所提算法可以达到更高的辨识率。(3)此外,本文还研究了将卷积神经网络作为特征提取器,利用支持向量机(Support Vector Machine,SVM)分类器对提取所得特征进行分类,最终效果要稍优于单一的卷积神经网络分类输出结果。