随着图像编辑软件的发展,图像编辑成本进一步降低,恶意编辑的图像对人们的生活造成了严重困扰。同时,随着生成对抗网络(Generative Adversarial Networks,GANs)的出现,生成高质量的伪造图像变得更加容易。然而,目前尚无一种能同时检测人为篡改图像和GANs生成图像的取证算法,且针对GANs生成图像的取证算法泛化能力较弱,数字图像取证是一个值得深入探讨的问题。本文深入研究了数字图像取证的关键问题、深度学习技术,提出了一个基于深度神经网络的数字图像取证方案。本文所提方案能同时检测篡改图像和GANs生成的图像,对伪造图像的检测宏F1分数可达0.9865,与以往工作相比,在单独检测篡改图像的任务中获得了更好的性能,同时对多种GANs模型生成的图像具有较强的泛化检测能力。本文主要做了以下几点工作:1.针对当前数字图像取证方法不能同时检测人为篡改图像和GANs生成的图像的问题,提出以图像中物体的边缘作为统一的可检测特征。根据Scharr算子边缘检测较准确,检测出的边缘细节丰富,伪造图像中编辑区域边缘与真实区域边缘区别明显的特点,选取Scharr算子作为边缘检测算子。2.针对篡改图像和GANs生成的图像伪造痕迹难以检测的问题,提出RGB颜色空间中的R、G、B三个灰度图通道两两相减可以抑制图像中物体的内容信息,突出篡改区域的边缘信息。给出了可通过调整参数进行优化的通式,同时也解释了在以往的数字图像篡改取证工作中通常将图像从RGB颜色空间转换到YCr Cb颜色空间的原因。3.待检测数字图像的大小及格式不确定,而深度神经网络通常要求一个小批次内输入数据的维度大小一致,传统的图像缩放方法会在一定程度上破坏伪造图像的重要细节信息,从而干扰伪造痕迹的检测,因而不适合用于数字图像取证任务。针对这个问题,提出使用灰度共生矩阵(Gray Level Co-occurrence Matrix,GLCM)对待输入深度神经网络的图像进行归一化。4.根据深度可分离卷积参数少,并可解耦特征图通道相关性和空间相关性的特点,设计了一个基于深度可分离卷积的深度神经网络,在性能不低于传统卷积神经网络的同时,大大减少了模型参数量,提高了检测效率。