随着数字多媒体技术的高速发展,数字视频已经成为重要的信息传播载体之一,在金融,教育和安全等领域得到广泛使用。另一方面,现有视频编辑技术已经能够轻易的对视频内容进行篡改,严重威胁数字视频的完整性和真实性。面对上述问题,数字视频取证技术应运而生。其中,数字视频被动取证算法由于仅依靠数字视频固有指纹进行检测,无需预先嵌入取证信息而受到广泛关注和研究。本论文研究数字视频被动取证领域中的重压缩视频检测技术。在大多数视频篡改过程中,篡改者需要经历“视频解压缩-视频内容篡改-视频重压缩”三个步骤。检测重压缩视频具有的重编码痕迹不仅为篡改分析提供重要依据,还能有效还原可疑视频的压缩历史。重压缩视频检测的主要难点在于:视频编码参数的多样性(例如:时域编码结构)使得重编码痕迹具有复杂的特性。本论文根据视频重压缩过程前后时域编码结构(即图像组,Group of Pictures,简称GOP)是否一致,将重压缩视频检测分为GOP结构错位的重压缩视频检测以及GOP结构对齐的重压缩视频检测两类问题。针对重压缩视频的特殊情况-双压缩视频,本文结合多种新技术对上述问题展开了深入研究,提出了四种创新的检测算法。针对GOP结构错位的重压缩视频在压缩域留下的异常编码痕迹,本文分析了视频背景和前景区域中运动向量等编码数据的统计特性,提出一种基于局部运动向量场分析的静止背景视频双压缩检测算法。该算法利用局部运动向量场分析方法对背景区域进行宏块级分割。通过对背景和前景区域赋予不同权重,抑制快速运动前景内容的干扰并提取更为鲁棒的加权预测残差序列。然后采用时间域周期性分析算法对双压缩视频进行检测并估计原始视频的GOP结构。由于充分考虑了背景和前景区域重编码痕迹的不同特性,该算法比传统算法对编码参数的多样性更为鲁棒。针对GOP结构错位的重压缩视频在像素域留下的异常编码痕迹,本文分析了MPEG-4视频像素域的块效应痕迹,提出一种基于块效应异常强度的双压缩视频检测算法。该算法首先利用去块效应滤波器提取解压帧的块效应强度。块效应强度序列结合宏块类型统计模式计算特征序列。对特征序列采用时间域周期分析方法检测双压缩视频并估计原始视频的GOP结构。由于采用了可靠的像素域异常块效应度量方法,该算法比传统算法对视频内容多样性更为鲁棒,特别是具有复杂纹理并缓慢运动的视频内容。为了自动从大量样本中学习重编码痕迹的特征表达,本文将近年来获得广泛研究的深度学习技术引入到GOP结构错位的重压缩视频检测问题中。提出了一种基于卷积神经网络的帧级H.264视频双压缩痕迹检测算法。该算法采用卷积神经网络技术区分重定位I帧和其他类型的P帧。与传统的计算机视觉任务不同,所设计的卷积神经网络需要检测人眼难以感知的重编码痕迹。因此在网络结构设计过程中,考虑加入提取高频分量的预处理层抑制视频内容对分类性能的干扰。此外,该网络还采用1×1卷积核以及平均池化层等结构减少过拟合现象。实验结果表明该算法能够准确的检测帧级重定位I帧,为后续视频级取证分析提供重要依据。在实际应用中,具备专业知识的篡改者往往可以从视频文件中读取相关的视频编码信息,利用与输入视频相同的编码参数(例如:时域编码结构)进行重压缩,达到使重编码痕迹难以被检测的目的。针对这一类GOP结构对齐的重压缩视频,本文分析发现视频质量经过多次同参数重压缩后最终将收敛到稳定不变的状态。而单次压缩和双次压缩视频具有不同的视频质量收敛速度。根据上述发现,本文提出了一种基于质量下降机制分析的同参数双压缩视频检测算法。该算法构建了多种宏块模式用于有效表达重压缩过程中视频质量的下降程度。考虑不同编码标准的具体技术特点,面向MPEG视频和H.264视频分别提出了两套检测特征,结合支持向量机分类器完成检测。实验结果表明该算法能够有效检测多种编码设置下的同参数双压缩视频。