随着智能化设备的发展,包括数码相机、智能手机以及可穿戴传感器的使用,促进了多媒体信息的传播,特别是数字图像作为媒介载体广泛应用于司法调查、军事、政治外交以及社交等领域,其中Photoshop、美图秀秀等图像编辑软件增加了图像篡改的便利性,使得“眼见为实”的观念正悄然改变,图像篡改取证研究受到了人们的广泛关注,图像篡改取证即鉴定数字图像的真实性和完整性。传统的篡改取证方法主要依据篡改过程中遗留的伪造痕迹,需要设计出能够有效提取某种篡改线索的方法,然而这种依据手工设计的特征很难具有普适性。近年来,卷积神经网络因其具有高维数据特征的表征学习能力,在目标识别和实例分割等方面展现优异的性能,同时为图像篡改取证提供新的解决思路。考虑到图像篡改并不局限于拼接和移除等某一具体的类型,往往包含多种篡改类型及其组合操作,针对复合的篡改类型,本文提出两种基于深度学习的篡改取证方法,其主要工作如下:（1）针对目前多数取证算法仅适用于单一篡改类型,提出一种基于视觉原理的图像复合篡改取证方法,其能够检测包括复制-粘贴和拼接的两种篡改类型,首先利用Res Net50主干网络获取待检测图像特征,输入到感受野特征融合模块并提取篡改痕迹代替常见Res-Net与特征金字塔网络（Feature Pyramid Networks）组合结构,考虑到伪造图像的篡改区域形状和尺寸的多样性,针对不同的层次的特征施加不同的注意力策略,抑制图像内容的影响同时更好的提取篡改区域遗留的篡改特征,经过区域检测和定位模块实现伪造图像的检测和定位。实验结果表明,较之Mask R-CNN语义分割框架直接用于篡改取证,在Columbia和Coverage数据集F1值分别提高9.7%和18.6%,验证了该方法用于篡改取证的有效性和优越性。（2）针对现有篡改取证方法均依赖于图像分类的预训练模型,提出一种从头开始训练无需主干网络U形深度框架用于图像复合伪造取证,适应不同的工作环境同时具有复制-粘贴、拼接以及移除多种篡改类型检测能力,首先,采用用编解码网络结构设计特征提取模块用于篡改痕迹提取,篡改痕迹包括篡改区域与背景区域之间的对比度差异、边缘等差异外,使用富隐写模型卷积层获取伪造图像上的噪声分布不规律信息,引入残差U形结构（Residual U-block）,构造出具有多尺度特征的篡改特征提取模块,在融合定位模块中,利用分级监督策略避免篡改特征表征损失,融合不同分辨率的篡改特征图实现伪造图像检测并分割出高置信度的篡改区域。实验结果表明,该方法能够自动学习篡改特征而无需考虑特征提取和分类设计,在多个公共标准篡改取证数据集上对比现有方法取得较优性能,同时针对缩放、JPEG压缩等常规图像处理操作具有较强的鲁棒性。在上述两种用于复合篡改类型取证方法中,深度学习网络产生低级特征和高级特征均有助于提高篡改取证性能,采用不同的注意力策略对伪造特征进一步提炼。为了更好地刻画篡改特性,对不同色彩通道和噪声空间的特征加以融合,有效增强模型的泛化能力和鲁棒性。本文方法可为图像复合篡改取证研究提供参考依据。