随着移动互联和数字图像处理技术的不断发展,获得数字图像的成本不断降低,同时先进的图像处理工具使得对图像进行操作变得易如反掌。图像操纵可以轻易地实现诸如对象复制、拼接以及删除的操作,被恶意利用产生的篡改图像则可能给社会带来负面影响,误导大众。由于在视觉上可能无法分辨被操纵的区域,如何防范这些篡改图像则是一项艰巨的任务。现阶段已经有了很多针对图像篡改的检测算法,但这些方法大多需要手工特征提取,往往使用范围有限。近年来深度学习的发展使得卷积神经网络在图像处理领域广泛运用,并取得很多成功的实践成果。因此本课题使用U型卷积神经网络结合多种特征提取手段来研究图像篡改检测任务实现图像防篡改,目标在像素层面实现图像篡改区域的检测和定位。为了实现更好的篡改检测效果,本文在两个阶段研究图像篡改检测。首先,本文研究基于单一分支U型卷积神经网络的图像篡改检测。本文设计了一种基于U型卷积神经网络的检测模型,该检测模型包含降采样Encoder以及升采样Decoder部分,并且包含跨层连接,实现端到端的学习。同时,本文利用两种卷积单元设计了采样模块,分别为Res Net Encoder以及Dense Net Encoder。为验证该模型效果,本文构建了适合本文实验需求的标准数据集,并选取了合适的评价指标,设计实验并探索了不同特征提取结构、不同模型输入尺寸以及不同模型采样深度对于此模型框架的影响。实验证明更深层的网络、更大尺寸的模型输入有利于模型的训练,而Dense Net可以稳定训练过程。在于其他模型的对比中,本模型方案也具有优势。在此基础上,本文研究利用多特征融合的手段提高篡改检测精度,设计了一种基于多特征融合的U型卷积神经网络框架。该框架分为两个分支,其中一个分支处理RGB数据,与单一分支的结构相同;另一个分支处理其他特征。本文共设计了三种特征处理手段分别利用噪声特征、边缘特征以及纹理特征进行特征提取。为了更好地融合不同分支的特征,在模型底层设计了带有空洞卷积的金字塔池化（ASPP）特征融合层,经过实验证明底层的ASPP特征融合层对于本模型具有积极作用。其他实验研究并发现了,在三种不同的特征提取方法中,基于噪声的提取方法取得了视觉和指标上的最优效果,并且选择更大尺度的输入能为模型带来更好的精度。多分支结构对比单一分支的模型拥有更高的检测精度,对比其他算法的处理结果,本文提出的模型拥有更好的篡改检测效果。