随着数字媒体技术的不断发展,出现了大量的图像编辑软件供人们轻易地修改图像。人们在享受数字生活更加便利的同时,也在法律盲区利用工具的便捷性不断制造篡改的数字图像,这已对军事、经济、媒体、文化、司法等诸多领域产生了严重的不良影响,同时也对图像取证领域的学者们提出了更高的要求。目前基于深度学习的图像内容被动取证算法主要切入点是取证界人为定义的篡改类型,如复制-粘贴、拼接、移除等。另外大多数算法在检测篡改定位区域之后缺少完备的评价体系,因此设立图像篡改程度的客观衡量标准也是亟待解决的问题。本文的创新点和主要工作如下:（1）针对数字图像复制-粘贴篡改无法区分目标与来源的问题,本文通过改进相似度匹配算法和利用非局部自注意力机制,在定位出篡改区域的前提下,解决了篡改源区域和目标区域的分类问题。总体框架为双分支检测网络,主分支采用经典U-net分割篡改区域像素,副分支通过孪生网络进行特征提取并计算自相关性,从而分割出篡改目标区域与源区域像素,将双分支融合后进行端到端训练,最终网络预测出三分类结果,即分割背景、复制-粘贴目标区域和源区域。实验结果表明,本文算法检测定位目标区域时的像素级分类精确率达到了80.47%,且准确度及F1值均优于对比算法。（2）由于目前最新的深度多类型数字图像篡改检测方法存在复杂度较高和精确度较低等问题,提出了一个Mobile Net V3-LSTM混合模型来捕捉图像篡改与非篡改区域的差异性特征。该方法采用双分支架构,主分支为带有空洞卷积的轻量级卷积神经网络特征提取器,长短期记忆副分支网络学习篡改图像边界上的差异性,在融合多尺度特征后进行端到端训练,最终输出预测定位图。整体的框架可以检测出经典的复制-粘贴和拼接篡改。在Columbia和CASIA2等标准数据集上对比主流算法,平均检测精度提升了9.2%,空间复杂度平均缩减了5.6倍,推理速度加快了2倍。（3）鉴于目前的图像篡改检测算法仅仅停留在定位区域和提升精度上,却无法区分图像的篡改是良性还是恶意的,因此提出一套基于篡改检测与视觉显著性相结合的客观图像篡改程度评价机制。在合理假设基础上,从信息论、显著性、无参考图像质量评价指标等方面设立可信度指标。实验从定性与定量角度分析图像内容的可信度,对比若干评价指标,最终与人的主观评价进行重合度验证实验。主客观评价篡改重合度最高达到了85%,可视化结果证明了所提指标的可用性和合理性。