Deepfake换脸技术利用生成式对抗网络（Generative Adversarial Networks,GAN）学习目标视频中人脸的深层次特征,能较好地将目标人脸替换为源视频人脸,且能同步人脸表情及说话的口型。Deepfake技术迅速发展,许多Deepfake假脸视频在网络上被广泛传播,对执法、社会稳定、公共安全等领域造成危害。因此,Deepfake假脸视频检测技术的研究具有重要价值。目前,有监督的Deepfake假脸视频检测算法在测试集和训练集属于同一个数据域时,性能表现优秀,但是实际上,现有公开的几个数据库在合成效果,分辨率等方面存在较大差异,因而当跨库测试时,由于测试数据与训练数据存在分布的差距,算法的性能变得很差。并且,随着Deepfake技术逐渐发展,合成效果愈加逼真,如何与之进行博弈,提取深层次且鲁棒的特征,也是令人关切的问题。针对这些问题,本文将重点放在Deepfake假脸视频的频域和时域特性上,使用卷积神经网络进行研究,具有一定的理论意义和实用价值。具体的研究工作如下:1、通过离散余弦变换和双树复小波变换对GAN生成人脸图像以及Deepfake假脸视频进行频域特性分析。本文研究发现,GAN生成图像在离散余弦变换（Discrete Cosine Transform,DCT）存在周期性现象;真实视频的人脸区域较Deepfake视频的人脸区域在DCT变换域的高频信息更为丰富。其次,本文使用双树复小波变换将低频分量和高频分量分离,进一步从高频子带中发现真假人脸在变换域细节的差异。2、提出了基于双树复小波的Deepfake假脸视频检测算法。本文一个分支利用构建的浅层频域网络（Shallow Frequency Net,SF-Net）网络从双树复小波变换中提取低频特征和高频特征,并设计了基于交叉注意力机制的特征融合方式;另外一个分支采用基于能量调整的图像增强方法,提高反变换后图像的对比度。实验结果表明,该算法在库内检测效果达到最佳,同时,多个数据库的交叉测试也表明该算法泛化性能稳定。3、提出了多时域多特征结合的Deepfake假脸视频检测算法。本文利用频域的DCT特征,结合颜色特征和相邻时域的梯度特征,对单帧图像的多类篡改痕迹进行提取并融合;同时结合篡改视频的时域篡改痕迹不连续,存在抖动的特点,设计了短时域模块和长时域模块以获取相邻两帧的梯度信息和远程时间上的特征上下文。实验结果表明,所提出的算法能够捕获深层次且鲁棒的特征,并且进一步提高算法的泛化能力。