随着数字技术的迅猛发展,以及各种强大的图像处理工具的广泛使用,非专业人士可以在不留下任何可见线索的情况下对数字图像进行美化、编辑、甚至修改和伪造,这将破坏图像内容的原始性、完整性和真实性。同时,虚假图像的存在和传播降低了数字内容的可信度,在科学研究、新闻传媒、司法取证、金融和军事等诸多领域造成了严重的负面影响。因此,迫切需要开发功能强大的图像篡改检测工具/算法来识别图像内容的篡改,保证图像内容的原始性、完整性和真实性。在本文中,我们致力于研究针对图像拼接/合成伪造的检测技术,主要工作如下:我们提出了一种粗到细粒度的图像拼接区域检测方法。大多数数码相机都有单一的单电荷耦合器件或互补金属氧化物半导体传感器,并通过颜色滤波阵列（Color Filter Array,CFA）获得彩色图像。根据图像拼接操作会破坏由CFA插值引入的一致的线性相关性模式这一事实,通过估计图像的局部CFA插值模式来定位图像拼接区域。在该方法中,首先,我们利用协方差矩阵对图像的R、G和B三个颜色通道进行重建,从而对图像所采用的CFA插值模式进行估计。然后,根据估计的CFA插值模式和原始的CFA插值模式之间的差异构造图像取证特征,从而进行粗粒度图像拼接区域检测,获得可疑的拼接区域。之后,利用奇异值分解技术提取粗粒度检测结果的局部纹理强度特征,通过分类此特征来进行细粒度图像拼接区域检测。最后,使用超像素分割算法对细粒度拼接区域的边缘进行平滑处理,从而去除误检,得到精确的拼接区域检测结果。与目前的检测方法相比,该方法展示了较高的检测精度、较低的时间复杂度、较强的泛化性和鲁棒性,解决了基于CFA的图像拼接区域检测方法通常对JPEG压缩操作不鲁棒的问题。我们提出了一种基于CFA特征的细粒度图像拼接区域检测方法。考虑到拼接图像中拼接区域和原始区域可能具有不同的CFA插值模式和不同的模式噪声水平。因此,我们将这种差异作为拼接篡改的证据,来进行图像拼接区域检测。在该方法中,首先,我们通过期望最大（Expectation Maximization,EM）算法估计CFA插值模式的差异性,把这种差异性定义为CFA噪声,利用小波变换估计图像噪声,并预测这两类噪声图像的局部加权噪声方差。然后,根据估计的局部加权噪声方差定义和构建图像CFA特征。之后,利用模糊C均值聚类算法对该特征进行聚类,得到可疑的图像拼接区域。最后,通过Canny算子去除可疑拼接区域检测结果中的误检,得到最终的图像拼接区域检测结果。与现有的相关方法相比,该方法能准确地检测图像拼接区域的位置和形状,且对常见的图像内容保持操作具有非常好的鲁棒性。