随着深度学习的快速发展,语音合成和语音转换等语音生成技术越来越成熟,已经能够生成非常自然流畅、逼真的语音。语音深度生成技术给人们生活带来多元化娱乐方式的同时也给声纹识别系统带来了极大的安全威胁。因此,学术界开始设计专门的语音伪造检测算法。然而,目前的语音伪造检测算法采用的网络结构都是针对图像进行优化的经典结构,效果并不理想。为了有效地检测出语音信号中的伪造痕迹,根据伪造语音信号的特点对网络结构进行了一系列的优化改进,主要研究内容有:1)针对传统卷积网络不适应语音伪造检测任务而导致性能不佳的问题,从频率、通道和时域三个方面对网络结构进行了优化改进。传统卷积网络无法捕捉伪造语音频率间谐波相关性,随着层数增加通道数过多存在一定的信息冗余,最后的全局平均池化易丢失有效信息。针对以上问题,分别提出频率注意力模块、通道注意力模块和时间自注意池化层对提取的声学特征进行优化,得到一个更具判别性的声学特征。2)针对传统人工设计的声学特征提取过程中存在信息损失,单一特征无法同时检测出多种伪造攻击算法的问题,对端到端的语音伪造检测方法进行了探索。通过分析语音信号处理中傅里叶变换的计算过程,提出了使用时域卷积进行时频变换的方法,并通过实验验证了该方法的可行性;针对时域卷积参数过多且无法学习到有效的滤波器等问题,引入了SincNet中的sinc函数构建仅含两个可学习参数的带通滤波器卷积,减少参数的同时带来了性能的提升;另外受RawNet2启发,提出将二维卷积网络残差块替换为一维时域卷积残差块并利用循环卷积网络GRU对时间帧特征进行建模的方法。3)通过在ASVspoof2019 LA数据集上的大量对比实验,表明了所提方法的有效性和可行性,其中基于注意力机制模型的最优算法EER为1.87%,超越了目前已知的所有单系统模型。