随着图像处理软件的普及，复杂的计算机图像处理技术能制作出逼真的计算生成图像，单用肉眼难以区分计算机生成图像和自然图像。因此，计算机生成图像和自然图像来源取证研究应运而生。然而，当前的取证方法大多都是通过3DMax、Maya和Photoshop等计算机生成软件产生的计算机生成图像来进行性能评估，很少考虑对生成对抗网络产生的计算机生成图像的检测能力，因此利用生成对抗网络实现图像来源反取证研究具有十分重要的意义。
　　本文首先介绍了数字图像来源取证技术与反取证技术的研究背景、意义及研究现状，综合分析出目前工作中存在的问题。然后了描述了计算机生成图像和自然图像来源取证和反取证研究中涉及的相关理论与技术。最后，针对计算机生成人脸图像和自然图像的来源鉴别问题，提出了两种基于生成对抗网络的数字图像来源反取证算法，具体的工作内容为
　　第一，提出了一种基于生成对抗网络的计算机生成人脸图像反取证方法。该方法针对计算机生成图像和自然图像在纹理、颜色和风格上的差异，设计了一种生成器和判别器网络架构、内容损失和风格损失，学习从计算机生成图像到自然图像的单向映射函数，再生成视觉质量好的人脸图像，用于欺骗已有的计算生成图像检测器。实验结果表明，对比已有的反取证方法和域适应方法，该方法生成的计算机生成人脸图像具有更好的视觉质量和更强的欺骗能力，并可以在视觉质量和欺骗能力之间取得很好的平衡。
　　第二，提出了一种基于生成对抗网络的计算机生成人脸图像与自然人脸图像双向转换的反取证方法。该方法针对两种图像在生成机理上的差异，将高斯滤波器提取的图像的传感器模式噪声融合进入生成对抗网络中，使得最终得到的生成图像既保留原始域图像的内容又引入另一个域图像的噪声，实现计算机生成图像与自然图像之间的双向映射。实验结果表明，对比已有的反取证方法和双向域适应方法，该方法生成的人脸图像具有更好的视觉质量和更强的欺骗能力。
　　本文提出的两种反取证方案在一定程度上挫败了已有的来源取证方法，为自然图像和计算机生成图像来源取证研究提供新的思路。