随着数字图像技术的快速发展和图像编辑软件的普及,人们可以对数字图像进行随意的编辑和修改而不留下明显的视觉痕迹。伪造图像的出现给生活中的许多方面带来了负面的影响,如新闻、学术、政治、互联网等。因此,研究有效的数字图像取证技术变得愈加重要。本论文针对现有的基于深度学习的彩色图像拼接定位算法存在的问题,展开了以下两个方面研究:(1)现有的基于全卷积神经网络(Fully Convolutional Network,FCN)的彩色图像拼接定位算法虽然取得了不错的性能,但是仍存在以下两点不足:(a)忽略了彩色图像三通道之间的相关性和整体性;(b)虽然使用条件随机场(Conditional Random Field,CRF)弥补FCN自身结构缺陷,但是CRF中没有考虑高级别的一致性,如区域一致性。针对上述缺陷,本论文提出一种改进的彩色图像拼接定位算法。为了解决第一点不足,结合彩色图像四元数表征方法和四元数卷积提出了四元数全卷积神经网络(Quaternion Fully Convolutional Network,QFCN),将FCN拓展到了四元数域。为了解决第二点不足,引入超像素增强CRF,并与QFCN组成一个端到端的学习系统。最后,融合三种QFCNs(QFCN32,QFCN16和QFCN8)的预测结果,它们具有不同的上采样层。在CASIA v1.0,CASIA v2.0和DVMM三个公开篡改数据集上进行实验,结果表明提出算法的准确性、泛化性以及鲁棒性均优于现有算法。(2)现有的基于双流Faster R-CNN的彩色图像拼接定位算法存在以下两点不足:(a)没有考虑彩色图像三通道之间的相关性和整体性,且仅考虑了来自Res Net的单一尺度特征;(b)定位的精度只能精确到块级。为了解决以上两点不足,本论文提出了一种改进的双流R-CNN算法实现了像素级彩色图像拼接定位。针对第一点不足,采用彩色图像四元数表征方法和四元数卷积将Res Net拓展到四元数域,且采用特征金字塔网络(Feature Pyramid Network,FPN)提取多尺度特征。针对第二点不足,结合QFCN和超像素增强CRF对拼接区域像素级定位。另外,本论文将注意力机制引入区域建议网络(Region Proposal Network,RPN),设计了注意力区域建议网络(Attention Region Proposal Network,ARPN),增强对重要区域的关注。在与(1)中相同的篡改数据集上进行实验,结果表明提出算法的性能优于(1)中提出算法。