数字图像篡改盲取证算法，凭借其不依赖于任何先验信息，仅根据图像本身的信息对图像进行真实性、完整性检测，成为图像取证领域主要研究方向之一。篡改图像由于篡改场景各式各样，篡改对象五花八门，篡改区域没有固定的形状、纹理等特征，因此图像篡改盲取证的难度较大。而现有数字图像盲取证算法大多采用基于图像块训练的方式，效率低下，检测方式固化且对于篡改区域定位问题没有很好解决。因此，本文从语义分割角度出发，将篡改图像检测问题转变为篡改区域分割问题，以提高数字图像篡改盲取证算法的定位精度。本文算法的主要研究工作如下：
　　首先，本文提出了基于篡改区域轮廓分割的图像篡改盲取证算法。该算法通过多步马尔可夫特征、图像信息熵与差分激励三种特征的融合，更好地表征图像局部特征，并将融合的特征送入 Real_Adaboost 分类器进行训练，以输出每个像素属于篡改区域轮廓线的概率。为进一步提升篡改区域轮廓线分割效果，该算法采用条件随机场（CRF）进行后处理，以获得每个像素的最佳类别。实验结果表明，该方法相较于传统的基于手工设计特征的盲取证算法，在篡改区域定位上更加准确。
　　再次，本文提出了基于Attention网络的图像篡改区域定位算法。该方法采用语义分割中常用的编码-解码实验框架，并采用通道、空间注意力机制对特征信息进行关注。为进一步融合篡改区域分割所需要的上文信息与局部信息，本文采用特征金字塔注意机制与全局注意上采样模块，多尺度地获取图像特征信息与捕捉上文语义信息，进一步提升篡改区域分割效果。实验结果表明，该算法与现有基于深度学习算法相比，定位效果有一定提升。
　　最后，本文提出了基于检测-分割网络的图像篡改盲取证算法。该算法在前文研究基础上，进一步探究将目标检测与语义分割融合进一个网络中，用先检测、再分割的思路解决图像篡改定位问题。该算法采用Mask R-CNN网络结构，新增一条自下而上的路径实现特征融合，并在RPN训练阶段，采用Focal Loss损失函数以解决正负样本不平衡问题。此外，还采用新的非极大值抑制算法 Soft-NMS 提高检测召回率。实验结果表明，相较于目前已有的算法，该算法达到state of art 效果。