数字图像作为信息的主要载体变得越来越重要。然而,随着图像获取设备的普及和图像编辑软件的快速发展,近年来,数字图像造假事件层出不穷,不仅降低了图像的可信度,还给社会和个人带来了极大的负面影响。图像复制粘贴篡改是最常见的图像篡改类型之一,具有操作简便、成效立现等特点,常被用于改变数字图像的语义信息。本文旨在通过研究图像复制粘贴篡改检测方法以达到保护图像内容真实和完整的目的。鉴于深度学习优秀的学习与分析能力,提出了两个基于深度学习的篡改检测方法,利用图像处理操作遗留的痕迹区分图像中的篡改区域与原始区域。一系列实验结果验证了本文方法的理论依据合理性、篡改检测、定位与类型区分的准确性。论文的主要工作包括:(1)提出了一种基于深度学习的图像复制粘贴篡改检测方法。方法采用预处理操作抑制图像内容的影响,同时利用图像分块操作分开了嵌合在一起的真实区域与篡改区域。二者结合,成功将卷积网络的学习目标改变为识别图像中具有不一致CFA(Color filtering array,彩色滤波阵列)特性的局部区域。之后,设计并实现了仅有单个卷积层的卷积网络以学习图像的CFA(Color filtering array,彩色滤波阵列)特性呈现在网络输入数据上的条纹(或网格)状的像素值分布特征。最后,通过消除背景区域内的误检图像块并补检检测到的区域内的漏检块,进一步提高方法的检测与定位准确率。实验结果表明,在Dresden图像库上做训练和测试,该方法达到了图像块级的97%的平均检测正确率与像素级的80%的平均定位准确率。(2)提出了一种基于深度学习的图像篡改操作类型区分方法。解决的问题是区分图像中的旋转篡改区域、缩放篡改区域和真实区域,属于三分类问题。方法沿用了第一个工作的检测框架和卷积网络结构,在此基础上改进了两方面:一是采用多种滤波方法获取了合起来全面、分开各有侧重的残差图像集,通过向卷积神经网络提供丰富且多样化的数据提升模型的分类性能。二是利用加权投票策略综合多个网络的分类结果,由此集结各模型的优势,打破单模型的局限性,进而提升方法性能。最后,对整合的分类结果做去误补缺操作以获取更准确的检测结果图。实验结果表明,该方法能有效定位出篡改图像中的旋转和缩放篡改区域,宏平均和微平均分别达到了 91.9%和91.8%。