近年来,深度人脸伪造（Deep Fake）技术快速发展。人脸伪造技术通过篡改真实人脸图像,达到人脸身份替换、表情控制的视觉效果。某些图谋不轨的不法分子企图借此达成非法目的,给政治、经济、社会安全等方面带来了诸多风险。随着伪造技术的进步,伪造过程从整张面部替换,逐步转向隐蔽性更高的局部篡改,给人脸伪造检测带来局部信息定位的困难。为了缓解局部伪造检测的困难,强化利用真实场景下能获取到的图像级监督标签,分别从设计网络结构框架和损失函数入手,增强模型的局部伪造检测能力。具体研究内容包括:首先,针对神经网络分类器感受野过大、相邻局部特征的相似度过高的问题,设计受限感受野下的局部预测框架和局部多样性损失。基于受限感受野的局部预测框架适配了局部伪造特征的感受野范围,专注于局部伪造的检测;局部多样性损失提供正则项,扩大相邻局部特征之间的差异性,以丰富模型学习的特征模式。基于局部预测的结果,关注激活值相对高的像素点,作为最终预测结果。通过限制感受野、设定特征多样性的规则、最终形成专注于局部特征学习的伪造检测框架;其次,针对局部特征模式相对单一的问题,设计全局和局部特征融合的多尺度人脸伪造检测方案。局部支路通过限制输入模型的图像尺寸,用于检测关键局部区域的伪造特征;全局支路关注整体伪造模式的差异,着重于篡改前后,前景背景的噪声一致性的问题。两条支路互补互利,形成多尺度信息的提取过程,最终通过特征融合联合判定,模拟人眼视觉系统的多尺度判断过程,提高伪造检测的鲁棒性。在包含多种伪造手段Deep Fake、Face2Face、Face Swap、Neural Textures的基准数据集Face Forensics++上的实验表明了提出算法的有效性和可行性。实验中局部伪造手段Neural Textures的检测准确率提升明显,说明局部伪造检测设计的有效性。在Celeb-DF和DFD数据集的交叉测试中,相较于已有方法,性能提升显著。