欺骗语音是指利用伪装手段制作的非原始且带有欺骗目的性的语音,已有的研究均表明欺骗语音完全具备骗过自动说话人识别（Automatic Speaker Verification,ASV）系统的能力,给社会安全带来了非常严重的危害。因此,对欺骗语音检测的研究具备十分重要的理论和实用价值。目前已有的研究主要是利用传统的机器学习方法和一般的卷积神经网络方法进行欺骗语音检测。传统方法须手动设计并提取特征,难以保证鲁棒性,且预处理会丢失部分深层次特征。一般的图卷积神经网络分类准确率良好,但是它并不能对未知的结点做出准确的预测。为此,本文研究基于图注意力网络的语音欺骗检测,以及开发欺骗语音检测的框架。图数据既要考虑结点信息,也要考虑结构信息,因此,图注意力神经网络既能自动化地学习结点特征,又能学习图中结点与结点之间隐含的关联信息,预测未知的欺骗攻击。本文主要的工作如下:1.本文提出基于图注意力网络模型的欺骗语音检测算法。所采用的网络模型整体结构是在普通图注意力网络上进行优化得到的。网络模型接收音频原波形作为输入,有效避免了特征损失,加入了残差块以增强特征学习能力,然后建立两个分别基于时域和频域的图注意力网络做深层次特征的提取。实验结果表明该检测算法在ASVspoof2019的LA逻辑访问语料库上实现了1.85%的等错误率（Equal Error Rate,EER）。2.为了方便对欺骗语音模型进行可视化操作以及实验数据持久化,我们设计并且开发了一款通用的欺骗语音检测模型框架,并以Dense Net深度稠密网络为底层算法模型进行检测系统的搭建,实现了通过可视化界面进行超参数的调整、算法模型的训练数据展示以及实验数据持久化、音频一键预处理操作等基本功能,为实验室后续的理论研究发展奠定了基础。本文中所提的基于图注意力网络的欺骗语音检测算法可以作为一种基于自动说话人识别系统的检测模块,使其具备抵抗语音欺骗攻击的能力,对信息安全建设具有重要意义。欺骗语音检测系统的通用框架实现为后续的欺骗语音检测算法研究的发展提供了工具支持。