图像处理软件与互联网的普及与完善,导致越来越多的数字篡改图像涌现在人们的生活圈中。掌握数字图像所经历的处理历史是检测图像真伪与构建可信图像体系的有效途径。复原图像原始信息记录有助于深入挖掘图像潜在语义,保护数字图像资源的安全及司法取证,具有重要的应用价值。数字图像取证是对数字图像篡改进行分析与识别的一种技术,旨在掌握图像所经历的的处理历史,目前可分为主动取证与被动取证（也称盲取证）两大类。数字图像盲取证只需一幅给定的待检测图像,不需要任何的先验知识与额外的图像样本,符合实际应用的需求;并且只需通过软件即可全自动化实现,成本低廉。本文以数字图像篡改的盲取证方法为研究内容,针对最常见的图像篡改方式,从图像合成取证、图像润饰取证两个方面构建图像篡改盲取证的框架体系,提出了一套检测数字图像篡改的流程与方法。1)围绕图像篡改盲取证框架的图像合成取证部分开展研究,提出了基于三维光照模型的图像合成取证方法。针对现有基于三维光照模型取证方法在重建三维模型时过于依赖参考模型,导致重建精度不高、细节较差的问题,本文首次将基于卷积神经网络（CNN）的人脸三维模型重建方法应用于图像取证,该方法不依赖参考模型,重建的三维模型精度更高,细节更丰富,更适合基于光照模型的取证。释放不适合于人脸图像的物体表面恒定反射率与凸表面的前提假设,建立改进的三维光照模型。实验结果表明相比于现有的基于光照模型取证方法,本文所提出的方法估计光照的准确率更高,检测光照不一致的性能更优。另外,所利用的基于CNN的人脸三维模型重建方法与所释放的前提假设条件,都显著地提高了光照估计的准确率与检测光照不一致的性能。2)围绕图像篡改盲取证框架的图像润饰取证部分开展研究,提出了鲁棒的对比度增强图像润饰取证方法。针对现有对比度增强取证方法在JPEG压缩场景下的瓶颈,本文引入CNN作为新的对比度增强图像特征提取与学习方法,首次提出基于CNN的鲁棒对比度增强取证方法。在图像预处理方法上,本文设计了GLCM层来抑制图像内容的干扰,同时使对比度增强痕迹得到增强。设计了剪切层用于减少GLCM层输出图像中的噪声点。对于网络的训练与分类模块,设计了一套适用于对比度增强取证的网络结构与参数。实验结果表明本文所提出的方法能够在全局和局部对比度增强两种场景下,对经过前/后JPEG压缩的对比度增强图像保持优异的检测效果,弥补了在JPEG压缩场景下检测对比度增强的空白。所设计的新层与网络结构能够显著地提高方法的性能。另外,本文方法还可以用于定位经过对比度增强润饰的图像合成区域,能够辅助图像合成取证。3)围绕图像篡改盲取证框架的图像润饰取证部分开展研究,提出了鲁棒的中值滤波图像润饰取证方法。针对现有中值滤波取证方法在检测JPEG压缩与小尺度图像时鲁棒性不佳的问题,本文提出利用Image Deblocking与滤波残差融合（FFR）作为中值滤波图像的预处理方法。与现有的中值滤波取证方法不同,本文方法首次分析了JPEG压缩对中值滤波图像的影响,然后通过所设计的Deblocking层有效地减小了这种影响。所设计的FFR层能够抑制图像内容对CNN造成的干扰,从而使中值滤波痕迹被成功地增强。所设计的训练与分类模块能够使CNN更好地提取中值滤波特征。实验结果表明本文所提出的方法在检测JPEG压缩与小尺度中值滤波图像的性能上取得了显著提高。该方法新颖的预处理策略可为其他取证工作提供参考。另外,本文方法还可以用于定位经过中值滤波润饰的图像合成区域,能够辅助图像合成取证的工作。本文对数字图像篡改的盲取证方法进行研究,构建了一套较全面的图像篡改盲取证框架,适用于JPEG压缩与小尺度等复杂的图像日用场景,可为国家公检法等部门提供技术支持,为公共或私有数字资源的安全与取证提供科学参考。