近年来,随着计算机硬件设备的更新换代和深度学习技术的不断发展,图像和视频的篡改变得越来越容易,尤其是人脸这种具有身份标志性的特征,如果被篡改,会带来严重的社会问题。因此,有效的人脸篡改检测算法尤为重要。近几年也有不少研究人员对人脸篡改领域做了相关的研究,但是由于目前的人脸篡改方法越来越多,而且篡改产生的人脸越来越逼真,导致以前的方法基本失效。针对以上问题,本文以神经网络为基础,从图像增广和噪声滤波两方面来进行人脸篡改检测的算法研究。对于人脸篡改图像非常逼真的特点,本文针对性设计了一种组合图像增广方法,该方法可以增加图像多样性,并减少了生成的图像的退化程度,保留了真假人脸图像的差异。同时,本文还提出了一种混合数据流的训练策略,该策略能使得图像增广发挥优势的同时,能够减少图像增广带来的数据波动对模型的影响,在一定程度上提高模型的泛化能力。这两种方法的组合在Face Forensics++和Celeb-DF这两个数据集上的准确率分别达到93.25%和93.91%。对未知人脸篡改方式生成的人脸图像检测性能低下的问题,本文也提出了新的方法。篡改后的人脸图像是由多张人脸图像的融合,因此相比正常的人脸图像,篡改后的人脸图像必然包含比较异常的噪声。据此,本文使用SRM滤波器来检测人脸图像的噪声,然后设计一种双流网络让模型同时学习RGB图像与滤波后的图像在真假人脸图像上的差异。除此之外,本文还设计了一种双流特征融合加权方法和层级特征融合方法,更加充分地融合两种数据流的特征,使输出的结果更具有判别性。此方法在Face Forensics++和Celeb-DF数据集上的准确率分别达到96.02%和97.05%。