近年来,随着图像编辑技术的飞速发展,人们可以使用多种篡改技术轻易改变图像的语义内容,产生的虚假图像愈加逼真,逐渐成为图像内容安全的潜在威胁。与此相反,在虚假图像中捕获稀疏的篡改线索并实现篡改技术分类和篡改区域定位仍然是一个具有挑战性的任务。针对上述挑战,本文尝试在多任务框架中,通过深度学习技术提取更通用的图像篡改特征来实现复杂自然环境下的通用图像篡改检测。本文的主要内容包括:1.针对现有数字图像篡改检测模型与真实图像取证任务不匹配的问题,本文依据现实图像取证流程重新定义了图像篡改检测任务,将其细化为图像篡改类型分类和篡改区域定位两个子任务。根据图像篡改检测任务定义,设计了多任务学习模式下的两阶段通用图像篡改检测新范式。2.针对现有图像篡改检测模型受限于手工设计特征导致模型缺乏泛化性能和鲁棒性的问题,本文设计了一个带约束的可学习篡改特征提取模块,结合图像篡改检测新范式提出了通用图像篡改检测模型CRCNN。该模型利用可学习的约束卷积层提取图像中的通用篡改线索并使用卷积神经网络创建多种篡改技术的统一特征表达。随后,两段式通用检测器逐步引导模型完成拼接、复制和移除三种篡改类型分类和篡改区域定位任务。实验结果表明,本文的模型能够实现更好的图像篡改检测性能。3.针对现有图像篡改检测模型无法有效检测深度篡改图像的问题,本文提出了一个基于多模态图像特征交互引导机制的通用图像篡改检测模型MMIG-Net。该模型通过卷积神经网络并行提取图像RGB域图像特征和约束卷积层处理后的频域图像特征。模型通过注意力机制将两种模态特征映射到统一向量空间,生成注意力权重,两类注意力权重交互引导特征提取过程。随后,模型在两阶段通用检测器基础上为频域模态特征流引入了边缘监督信号,优化了频域特征提取效果。实验结果证明,MMIG-Net能够有效检测多种图像篡改技术以及复杂篡改图像。4.为了填补学术界在深度篡改自然图像方面的空白,本文提出了一个包含深度篡改图像的数据集SyntheticCoCo。该数据集涵盖手工篡改图像,经典计算机篡改图像和深度篡改图像,采用了多种后处理方法强化篡改样本。数据集包含49.5K篡改图像样本,提供了全面的标注信息,包括篡改类别、篡改技术类别、篡改区域掩码、篡改边缘掩码,满足当前深度学习模型的训练与测试。