随着数字图像处理软件和计算机信息技术的迭代发展,人们可以随意篡改数字图像而不留下明显的视觉痕迹。经过篡改的图像或生成的虚假图像通过社交媒介的加速传播对个人隐私、日常生活甚至社会稳定产生严重的负面影响。因此,研究有效的图像伪造定位和检测算法变得愈加重要。针对图像复制-粘贴篡改,现有针对该篡改的定位算法Buster Net采用并行网络结构鉴别源/目标区域,并通过含有四层池化层的VGG16提取特征,从而使其必须保证两个分支都正确定位以及仅能提取单级低分辨率的特征。针对由生成对抗网络（Generative Adversarial Network,GAN）生成的人脸图像,现有基于深度神经网络（Deep Neural Network,DNN）的检测算法的泛化能力仍有待提升。因此,本文针对上述图像伪造定位和检测问题中存在的不足分别提出相应的解决方案。主要工作如下:（1）本文改进现有的并行DNN方案Buster Net,设计两个串行构建的子网络:复制-粘贴相似性检测网络（Copy-Move Similarity Detection Network,CMSDNet）和源/目标区域鉴别网络（Source/Target Region Distinguishment Network,STRDNet）。CMSDNet改进Buster Net的相似性检测分支:去除VGG16的最后一层池化层并引入空洞卷积以保持滤波器的感受野;使用双级自相关匹配分层特征;采用空洞空间金字塔池化和注意力机制分别捕获多尺度特征和增强重要信息。针对Buster Net篡改定位分支难以像素级准确定位篡改区域的问题,STRDNet采用图像级篡改检测算法直接区分由CMSDNet检测出的篡改区域（目标区域）和未篡改区域（源区域）。在四个公开数据集（新合成数据集、CASIA、Co Mo Fo D和COVERAGE）上的实验结果表明,本文算法在相似性检测性能和源/目标区域鉴别性能方面都优于现有算法。（2）本文提出一种具有强泛化性的GAN生成人脸图像检测算法。首先,通过结合全局特征和局部特征加强对包含许多人脸关键点的重要局部区域的学习。其次,采用度量学习技术获取共性特征和差异特征。最后,将提取的特征输入分类模块,鉴别给定人脸图像是自然人脸还是GAN生成人脸。在两个公开的自然数据集（Celeb A和FFHQ）和七种GAN生成数据集上的实验结果表明,本文算法比现有算法具有更好的泛化性能,其平均检测精度超过0.99。此外,本文算法对高斯加性噪声攻击具有较好的鲁棒性。（3）本文设计并实现了基于（1）和（2）中相关取证算法的图像取证原型系统。系统基于B（Browser）/S（Server）架构进行设计,具体由交互层、业务层和数据层组成。该系统主要提供两种服务功能:可鉴别源/目标区域的图像复制-粘贴篡改定位以及GAN生成人脸图像检测。