随着网络技术以及数字设备的发展,使用相机和手机来记录和分享自己的生活已经成为人们的习惯。网络上产生大量的图片使得对于图片的修改、编辑也变得越来越容易。图像编辑软件的广泛使用使得人们生活需求得以满足,可同时也产生了些许弊端。一些不法人员将篡改后的图像应用在新闻或法律中,对公共组织的公信力产生了严重的损害。因此,检测篡改图像成为取证领域中的重要任务。源相机识别就是在上述背景下提出的,它的目的是确定已获取的未知来源数字图像的相机具体品牌、型号,乃至设备。相机拍摄一幅图像时,从真实场景到相机内部形成图像文件的过程会使得数字图像留下相机独有的噪声。由于相同类别相机的噪声模式相同,所以可以当作源相机的特征对图像的源相机进行识别。通过识别图片源相机的类别可以对图像进行身份的验证,而且通过对于图像源相机类别的确定可以进一步确认完整图像的是否被篡改,以及实现对篡改区域的检测。基于传统方式的源相机识别使用滤波的方法,滤除的噪声作为源相机的噪声特征,之后利用模板匹配进行分类。深度学习的方式基于数据集训练得到模型,自动学习源相机的特征。本文使用深度学习的方式来进行源相机识别,具体如下:本文提出一种基于多尺度特征与通道域注意力机制的源相机特征提取方法。该方法首先对数据进行浅层特征的提取,利用多个通道不同卷积核尺度的分支。多个通道的特征分别利用不同尺度的自学习的卷积层实现融合,通过实验对比确定适用于本任务的最佳尺度。后续网络采用残差网络结合基于通道域注意力机制的SE模块,给特征的每个通道增加一个权重,将注意力集中在重要的通道,通过实验确定SE模块中的降维比例。应用该方式相较于基准残差网络在公用数据集（Dresden数据集）设备级识别准确率提升1.9%左右。利用源相机数据集类别之间的层级结构,对多个层级的分类任务采取分层多任务学习的训练策略。考虑到相机的品牌、型号乃至设备之间的相关性形成了层级结构,该方法首先解决品牌分类,之后解决型号分类,直至最细分类别的分类。分层多任务学习的损失为多个层级分类任务的损失加权之和,通过实验确定了多个任务之间的权重比例,即多个任务所占总体损失权重一致时,多个任务的平均准确率最高。该方法可以提取不同层级类别之间的相关性,并提高每个层级类别的识效果,采用Dresden数据集测试识别准确率,相较于基准残差网络设备级提升2.3%左右。受限于计算资源等因素,不是将整张图片输入神经网络,首先需要对数字图像进行图像块的提取。本文采用基于内容纹理准则的图像块提取方法分别对公用相机数据集（Dresden数据集）以及自建手机数据集进行图像块的提取,之后对从完整图像提取的图像块进行多个层级类别的训练与识别,分析其识别准确率以及混淆矩阵,最后利用本文提出的源相机识别方法辅助实现篡改检测的任务。