随着强大的数字图像处理软件的出现，对图像进行恶意篡改变得非常的容易，图像的真实性和完整性就受到了威胁。图像拼接攻击是一种常见且简单的图像篡改方法，图像拼接检测是一种重要的数字图像取证方法。本文主要致力于研究基于被动取证的图像拼接/合成检测方法，具体工作如下：　　提出了两种拼接/合成图像检测方案，两种方案都是直接针对测试图像进行检测。方案一是基于图像频域统计特征的方法，其基本思想是利用能够表达其纹理特点的局部二值模式（英文全称，LBP），及其DCT域的统计量作为特征向量，建立统计模型。方案二利用了Watson视觉模型，首先计算图像的局部DCT系数，利用Watson视觉模型提取DCT域中视觉敏感的系数，然后计算LBP，并用其标准方差作为特征向量，建立统计模型。对于这两种统计模型，我们分别使用LIBSVM作为分类器,检测图像是否经历了拼接/合成攻击。实验结果表明我们提出的两种方案的检测率分别达到98.1％和99%，即具有较高的检测率，且具有较强的鲁棒性和稳定性。　　提出了一种拼接/合成图像篡改定位方法。对于数码相机获取的全彩色图像，CFA插值的运用为拼接图像的检测与定位提供了理论基础，即插值操作使图像相邻像素间具有相同模式的相关性，拼接操作会破坏或者改变这种相同模式的相关性，鉴于此，我们利用CFA插值模型，通过改进的EM算法估计模型系数，并用这些系数的期望构造插值内核以对待检测的图像进行估计，获得估计的原始模式图像，最后，比较估计的原始模式图像与待检测图像，并结合Canny边缘检测，确定篡改区域的位置。实验结果表明我们的算法具有良好的篡改定位能力，并且具有对JPEG压缩、噪声、滤波、伽马校正等内容保持性操作的鲁棒性。