深度学习技术的出现降低了数字媒体编辑的技术门槛,在影视制作、生活娱乐等领域具有良好的应用价值,同时也存在潜在的安全隐患。近年来,Deepfake换脸技术受到广泛社会关注,由其制造的恶意虚假视频的传播对社会舆论和身份信息安全造成了极大的威胁和冲击。由于Deepfake换脸视频带来的安全问题,换脸视频篡改检测已逐渐成为研究热点。目前的换脸视频篡改检测算法在训练数据库上可以达到良好的库内检测性能,但在跨库测试时检测性能明显下降,泛化能力较差,不利于实际复杂场景的应用。针对现有算法存在的不足,本文基于卷积神经网络对换脸视频篡改检测进行研究,具有一定的理论意义和应用价值,具体研究工作如下:1、利用多尺度特征及多域特征对换脸视频和真实视频进行分析,首先通过多尺度空域卷积特征可视化,分析网络不同层级的特征信息差异;然后观察和分析换脸视频在空域上的视觉篡改痕迹,并使用离散傅里叶变换（Discrete Fourier Transform,DFT）特征和光流特征分别验证真假视频在频域和时域上的差异,从而提出两种合理的换脸视频篡改检测思路。2、提出一种基于多尺度空域特征融合的换脸视频篡改检测算法。本文将RGB图像输入卷积神经网络提取空域卷积特征金字塔,并结合自注意力模块增强卷积特征表示。同时设计了基于两种不同融合方式的多尺度空域特征自适应融合及分类模块,以充分利用网络浅层空间细节信息和深层高语义信息。实验结果表明,所提算法有效增强了空域卷积特征的鲁棒性,采取两种不同融合方式的模型在对多个数据库进行跨库测试时,表现出较为稳定的泛化能力。3、提出一种基于多域特征融合的换脸视频篡改检测算法。本文利用RGB颜色特征、DFT特征和光流特征表征图像级别上的空域、频域和时域信息,并构建多路卷积神经网络进行多域篡改特征提取和融合。同时引入通道注意力机制优化各支路特征学习,以促进多域篡改特征的有效融合。实验结果表明,所提算法通过充分利用空域、频域和时域篡改信息,增强了分类特征的鲁棒性,进一步提高了算法的泛化性能。