深度学习的技术进步引领了新一轮的人工智能浪潮,同时也给国家安全带来了新的潜在威胁。近年来深度伪造技术（Deepfake）借助海量训练数据生成的虚假换脸视频随着技术的进步变得越来越真实,人眼已经无法分辨信息的真伪,深度伪造技术已经成为用来编造谎言、制造舆论等非法行为的新工具,对国际社会造成了严重的负面影响,为此国内外的学者均已开展深度伪造检测的相关研究。目前深度伪造检测的方法主要分为基于真伪图像特征差异比对方法和基于深度学习方法,总体来看当前的研究仅处于初级阶段,它们难以兼顾分类准确率和泛化性能两者。本文针对真实和深度伪造图像分类问题,研究了基于卷积神经网络的深度伪造检测算法,主要研究工作如下:（1）针对目前深度伪造检测方法无法兼顾分类准确率和泛化性能以及传统VGG19网络参数量过大的问题,提出了分级特征全局融合HVGG19网络。该网络以VGG19网络为骨架网络,首先使用多种尺度的卷积模块对高维特征进行提取,然后合并卷积过程中各种维度和尺度的特征图后进行全局平均池化降维,实现特征尺度和大小的叠加,最后将骨架网络的全连接层舍去。将HVGG19应用于两种公开的深度伪造视频数据集中,对数据集的人脸特征进行标注后与目前先进的深度伪造检测器进行比较。实验结果表明,所提出的模型在两种数据集检测中的准确率都超过了97%,并且比传统的VGG19减少了约43%的训练和测试时间。（2）针对HVGG19需要对多个卷积模块进行特征融合、运算过程复杂、参数量比多数网络大和泛化性能仍有待提高等问题,设计了一种全局自注意力融合AVGG19-LSTM网络。在HVGG19的每个卷积模块后添加CBAM注意力模块,对真伪人脸特征中的差异特征进行重点关注,同时将卷积模块中的部分卷积层替换为深度可分离卷积,在模型的卷积部分提取完特征后使用LSTM进行特征处理。将AVGG19-LSTM应用于四种公开的深度伪造视频数据集中,结果表明AVGG19-LSTM在其中三类数据集中的分类效果最好,并且在模型检测速度中单张图片的平均检测时间相较于HVGG19减少了约37%。