随着媒体的快速发展,现如今,广大人民群众了解新闻和社会事件方式往往借助数字媒体,其中尤以视频所占的比重最大。同时,人们往往默认新闻报道的内容是诚实可信的,这就给不法分子提供了可乘之机,他们通过修改视频中的人脸图像来引导人们曲解原视频中所表达的含义。因此分辨视频是否真实显然对政府舆情管理和事件管控等方面都具有着重要的意义。目前检测虚假人脸图像的研究可分为两类:一类基于图像之中具体的,有明显意义的图像,例如眼睛、鼻子进行判断,但造假者可以针对这些部位重新训练来再次蒙蔽受众,具有再次受到攻击的缺点;第二类方法基于底层语义特征,直接将人脸区域放入分类模型之中进行底层语义特征抽取,进行图像分类从而进行检测,此类方法不受上一类方法缺点的影响,但这两种方法都只使用了图像中包含人脸的区域,并未能有效利用图像其他区域的信息或者造假过程中采取的操作进行辅助检测。本文从分析底层语义为基础,加入背景噪声信息以及检测插值操作,在原有的分类模型基础上进一步提高检测准确性。本文以视频媒体平台中的虚假人脸视频中的图像为研究场景。同时考虑视频中图像的底层语义信息以及背景噪声信息,提出一种多策略检测模型与算法,目的是更精确、全面地检测虚假人脸图像。论文的主要内容包括:第一,提出了一种融合人脸面部以及背景区域噪声的提取方法。基于光响应非均匀性算法以及自注意力机制,首先设计了多尺度背景噪声提取算法,之后利用自注意力机制将这些不同尺度噪声特征融合起来的检测方法。第二,提出了一种融合检测造假过程中的插值操作以及底层语义的方法。基于富隐写分析模型,将之前忽略的插值操作纳入检测模块之中。先将图片放入隐写分析模型之中提取出具有插值特征的插值矩阵,之后将插值矩阵与原图像通过残差卷积网络以及Xception Net进行特征提取,将两者结果进行拼接得到具有插值与底层特征的特征向量并依据此进行检测的方法。第三,基于上述两种方法,建立了融合三种信息的虚假人脸图像检测模型。并基于已有相关研究采用的数据集,对算法的有效性进行实验验证,并与相关研究结果进行对比。通过实验对比:本文提出的虚假人脸检测模型相比最新研究,ACC值提高了3.6%。F1值提高了3.8%,表明该方法更适合用于虚假人脸检测任务。第四,论文最后基于第三点的虚假人脸检测模型设计和实现了虚假人脸检测原型系统,并做出展示。本文的研究背景是基于校企合作项目:社交网络信息分析和图像技术研究与咨询。该检测方法除了比以往的研究方法有更好的检测结果之外也可以用于帮助社交媒体平台自身提高内容质量、提高用户真实体验性,最终为用户创造更为良好的图片以及视频可信浏览环境。