随着深度学习的快速发展,人们可以很轻松地合成出极其逼真的人脸图像。特别是近年来提出的生成式对抗网络（Generative Adversarial Network,GAN）,其合成出的高分辨率人脸图像更是达到了以假乱真的效果。人脸图像包含着丰富的语义信息,一旦被不法分子恶意使用,无疑会导致巨大的伦理、道德和法律问题。因此,GAN合成人脸取证成为了当下取证领域的研究热点。不同于其它人脸合成方式,GAN合成人脸图像在现实生活中并不存在,是完完全全的虚假图像。由于GAN合成人脸图像本身就是虚假图像并不存在人为篡改操作,所以传统的基于篡改痕迹的取证方法不再适用。针对这一难题,本文通过分析GAN合成人脸图像与真实人脸图像由于不同的获取过程而呈现出不同的特性来设计相应的取证算法。本论文的主要工作及创新点如下:首先,针对真实人脸图像与GAN合成人脸图像的取证问题,提出一种基于彩色滤波阵列（Color Filter Array,CFA）插值特性的取证算法。通常而言,真实的自然图像在成像过程中出于节约成本的目的往往都是采用一个传感器,因而其在单个像素点上只会有一个颜色值而其它的颜色值则要通过CFA插值得到。CFA插值往往会导致自然图像的RGB三个颜色通道间存在很强的关联性,而GAN合成人脸图像是通过网络不断训练得到的,其三个颜色通道之间并不存在这种关联性。基于此分析,本文设计了一种手工提取颜色通道差异特征的取证方法。该方法采用小波变换来对图像的三个颜色通道进行分解,然后分别提取各个颜色通道高频子带的均值、标准差、偏度和峰值等统计特征以及RG、RB和GB通道之间相对应的小波子带的相关系数特征。最后,将提取的混合特征送入支持向量机（Support Vector Machine,SVM）中进行分类。实验结果表明,本文提出的方法能达到98.10%的准确率。相较于基于深度学习的方法,本文提出的方法更简单且成本低。其次,针对不同GAN模型合成的人脸图像的取证问题,提出一种基于传感器模式噪声和纹理特性的取证算法。通常,真实图像在成像过程中会因为不同的传感器差异而留下特定的传感器模式噪声,也即为图像的指纹。对于GAN合成图像来说,其生成过程是通过网络不断地对抗训练而合成的。虽然这个过程并不存在图像传感器,但是网络中的卷积等操作实际上起到了与图像传感器类似的作用。因此,不同的GAN网络模型也会在合成的图像中留下特定的“传感器模式噪声”指纹。此外,不同的GAN模型合成的图像还呈现出不同的纹理特性。基于此分析,本文分别提取图像的局部二值模式（Local Binary Pattern,LBP）特征以及图像的传感器模式噪声的差分像素邻接矩阵（Subtractive Pixel Adjacency Matrix,SPAM）特征。最后,利用SVM分类器对其进行分类。结果显示,本文提出的方法对于不同的GAN模型合成的人脸图像的判别准确率均在90%以上。这表明该方法可以作为一种高效的GAN合成人脸的取证算法。