随着计算机软件功能推层出新和多媒体网络的快速发展,数字图像被伪造、遭篡改的事件在如今的社会中屡见不鲜,对公信媒体、国家政治、依法取证等多方面造成了不良影响,同时也危害了公民的信息安全。数字图像取证技术在这种环境下应运而生,数字图像源识别是数字图像取证技术的重要分支,其研究目的是为了保证数字图像在存储和传播时的原始性、完整性和安全性。不同类型的数码相机生成的数字图像特征不同,因此利用这个特性作为数字图像源辨识的依据。本文的研究工作如下:(1)目前数字图像源识别技术大多是基于监督学习的方法,利用大量的相机模型图像样本训练分类器,以此达到图像样本被准确分类的目的。当训练样本中出现未知的相机模型样本,由于缺乏未知相机模型的训练样本,因此无法对未知模型样本进行精准分类。针对未知模型的问题,提出了一种参数优化和拓展训练的方法。首先提出两个衡量指标,利用差值模型计算指标,以此获得K近邻算法中最优参数K。然后通过K近邻算法检测,得到部分未知模型样本。在拓展训练中,利用通过K近邻算法检测后得到的训练集,训练结合减聚类算法的多类支持向量机,其中还研究了迭代训练的停止规则。实验结果表明,提出的方法性能优于常用的4种方法。(2)数字图像样本足够多的条件下,利用局部二值模式特征做图像源识别任务的效果较佳,但样本数量较少时的识别率不高。因此提出一种在小样本条件下的选择性集成学习方法。基于部分特征代表样本的部分信息的思想,将一个样本映射成多个。再采用选择性集成学习方法的思想,对基分类器的生成和集成的两个步骤中间,添加优化基分类器数量步骤,解决基分类器过多而导致计算量冗余的问题。实验表明,提出的方法的性能优于其它4种方法。