相机源识别是数字图像取证中研究课题之一。通过校验图像的相机来源的真实性,以辅助各种刑事调查和审判及解决版权侵犯等中的取证环节。得益于深度神经网络的发展,其识别准确率有了显著提升。然而,研究表明深度神经网络易遭受对抗攻击,即攻击者只需要在原始图像中添加微小噪声,就能使深度神经网络产生误分类。从而也给基于深度神经网络的相机源识别方法带来极大的安全隐患。现有的通用对抗攻击防御方法难以适应这一应用场景,即未考虑相机源识别依赖于图像噪声,容易在防御中降低识别准确率,另外,以对抗训练为代表的对抗鲁棒性优化方法训练代价高,却不容易迁移到其他相机源识别模型中。因此,提出一种抗对抗攻击的相机源识别方法兼顾模型的识别准确率和对抗鲁棒性,显得尤为重要。本文通过提炼了一个基于深度神经网络的相机源识别模型,并基于该模型获得对应的对抗攻击威胁模型。进而,提出基于信息单调性的防御理论,并使用流形局部光滑映射构建了防御目标,以及利用一个基于两阶段训练的前置防御网络实现防御架构。本文的主要工作包括:1.利用特征提取映射在流形中建模,并通过流形局部邻域上分析特征提取映射对不同噪声的影响,从而发现模型的对抗攻击风险主要来源于特征提取映射的振荡性和不连续性。从而,本文提出以满足信息单调性和映射的局部光滑特性作为对抗攻击防御理论。2.通过在流形上定义局部坐标系统和流形局部光滑映射,本文提出最小化流形局部统计坐标的Kullback Leibler散度的防御目标来实现局部光滑映射,并达到了信息单调性的充分统计,移除冗余信息而保留了有效信息,兼顾了模型的准确率和对抗鲁棒性。3.本文提出并实现了一种灵活且易于训练的前置防御网络,采用了两阶段训练策略,与本文的防御目标相适应,并且该结构易于迁移到不同的相机源识别模型中。本文在数据集Dresden Image Dataset上进行实验,验证了所提出方法在保证对抗鲁棒性的同时,相比于目前通用对抗攻击防御方法具有更好的特征判别性和识别准确率。同时,本文讨论和验证了所提出前置防御网络的可迁移性。