随着数字媒体的不断发展以及数字图像处理设备的快速更迭,数字图像很容易被不法分子篡改。近年来,不法分子利用篡改图像实施违法犯罪的事件时有发生,因此研究图像取证技术迫在眉睫。通过盲取证技术对图像的原始性和真实性进行认证,然后根据图像篡改的痕迹对图像篡改方式进行判别并且定位出篡改区域。图像修复、图像拼接、图像copy-move伪造是三种最常见、也最容易实现的图像篡改方式,均可通过Photoshop、GIMP、美图秀秀等软件实现。现有的图像篡改检测技术主要包括传统的检测方法和基于深度学习的检测方法。传统方法需要手工提取特征,面临着特征的适用性差以及效率低等问题。基于深度学习的检测方法在近年来取得了较大的进展,通过卷积神经网络自动提取更为丰富、更具判别性的特征。但与此同时,现有的深度学习技术在图像篡改检测方面也存在一些不足,主要包括:1)对较小尺寸的篡改区域检测结果不甚理想;2)缺乏对网络提取特征的聚焦,导致所提取特征判别性不足。针对现有方法存在的不足之处,本论文主要研究图像修复、图像拼接以及图像copy-move伪造三种图像内容篡改检测方法,主要研究内容包括以下几个方面:（1）提出一种基于特征金字塔网络的图像扩散修复检测方法。现有扩散图像修复检测方法只提取图像照度方向上图拉普拉斯的变化作为判别特征,对较小尺寸的修复区域检测不甚理想,且对图像后处理操作较不鲁棒。本文提出采用特征金字塔网络提取不同尺度的特征,然后将多尺度特征进行融合,实现对各个修复尺寸的检测;此外,提出一种分阶段的二值交叉熵损失函数,在不同的训练阶段采用不同的损失函数,加快模型收敛的同时,提高对较小修复区域的检测。实验结果表明所提网络不仅能够大幅提高对较小修复区域的检测,还能对多种图像后处理操作具有较强的鲁棒性。（2）提出一种基于多任务注意力网络的图像拼接检测方法。现有图像拼接方法没有考虑图像边缘纹理以及缺乏对网络低层次特征的利用,导致对拼接边缘以及拼接区域定位不够准确。本文针对图像拼接检测,提出多任务的注意力机制网络,同时学习图像边缘、拼接区域边缘以及拼接区域掩模,提高了对拼接区域边缘的定位;此外,引入浅层网络的低层次特征,将其与网络中的高层次特征进行融合,提高了判别特征的表达能力;最后引入squeeze-excitation注意力机制对融合特征进行重新校准,使网络更加关注拼接相关特征。实验评估了所提网络各模块在图像拼接中的有效性,能够提高对拼接区域尤其是拼接边缘的定位。（3）提出一种基于CNN-Transformer网络的区分来源/目标的图像copy-move伪造检测方法。大多数现有方法只能对copy-move区域定位,不能对来源和目标区域进行区分;而能区分来源和目标的网络需要分阶段训练,不能实现端到端的定位,且对图像的全局信息缺乏利用。本文针对区分来源/目标的copy-move伪造检测,提出基于CNN-Transformer联合的生成对抗网络。在生成网络中同时引入CNN和Transformer,CNN用于提取局部特征,Transformer中的自注意力用于提取图像中的全局特征,使网络聚焦于分散在图像不同位置但又有着结构关联的区域;再利用特征耦合层使CNN和Transformer之间的特征进行交互;最后,引入Pearson相关系数层对特征相似性进行度量,提高相似区域的定位准确率。实验评估了CNN与Transformer结合的优点,能够提高copy-move伪造区域的定位性能,尤其提高了来源区域判别的准确性。