数字图像作为重要的信息载体,已渗入生活的各个领域。然而非法图像的快速传播和数字图像的恶意篡改已对社会发展、科学进步、新闻传播带来重大的负面影响。鉴别数字图像的原始性、来源可靠性和真实性已成为数字时代亟需解决的问题之一。数字图像被动取证旨在分析成像过程中每个阶段留存下来的操纵“痕迹”,以判断一幅数字图像的来源以及图像是否经过篡改。当前图像被动取证算法大多基于手工提取特征或深度学习方法,虽已取得了较大的突破,但依旧存在许多问题。例如,图像取证特征极其细微,通过人工先验提取传统特征是一个困难且耗时的过程,而基于数据驱动的深度学习方法往往容易过拟合到图像内容上。因此,本文充分考虑人工提取特征和深度学习方法的优势,提出基于领域知识驱动的多任务学习相机溯源方法和基于多尺度噪声约束的篡改图像检测和分割模型。该方法将领域知识融入深度学习方法中,以增强细微特征的提取。本文提出的相机溯源方法,以残差网络作为特征抽取模块,既减少了网络加深过程中的细微特征丢失,又可将低层语义特征与高层语义特征相结合。同时,算法又通过基于领域知识驱动的预处理模块抑制图像内容的影响,并利用“先分后合”的训练策略将传统特征和深度学习特征相融合,以提高模型识别准确率。最后,算法采用基于层级结构的多任务学习方法,将相机品牌和型号的识别特征引入设备识别模块,以此提高相机设备溯源的准确率。本文提出的算法在专业相机的品牌、型号和设备识别上分别取得99.6%,97.1%和52.4%的准确率,在手机相机的设备识别上获得了84.3%的准确率,其对篡改图像的溯源也具有一定鲁棒性。另外,本文还通过t-SNE特征分析方法展示了手机相机和专业相机在指纹特征上的差异性,证实了手机相机溯源在实际场景中所具有的应用潜力和应用价值。针对图像取证中鉴别图像真实性的问题,本文提出一种基于多尺度噪声约束的篡改图像检测和分割模型。利用多尺度噪声约束卷积层自适应地提取不同尺度下的高频噪声残差,增强细微特征的提取;并通过多任务学习方法同时完成篡改图像的分类、检测和分割任务,以引入更丰富的监督信息,提高篡改图像检测的性能。实验环节从模型自我评估和对比评估两方面验证了所提出算法的有效性,并对模型的检测和分割效果进行展示,从定性分析角度讨论了检测效果的优缺点,针对漏检和误检结果提出了改进方案。本文算法在COVER,CASIA和NIST16三个公开数据集上分别取得66.7%,42.5%和89.8%的F1分数,相对于已有算法具有较强的竞争力。