随着图像编辑软件技术的成熟,使得图像篡改操作简单,可以制作出逼真的图像合成图,达到以假乱真的效果。但是有些被恶意篡改虚假照片却会成为攻击他人的一种手段,误导公众舆论导向,甚至给国家带来一定的危害。而图像拼接检测技术可对图像的真实性进行鉴别,在一定程度上打击虚假照片的传播和制作。它应用在经济,法庭,媒体以及军事领域。图像检测技术在模式识别,目标跟踪,图像取证等多个领域都有所使用。本课题基于深度学习的理论,提出一种检测视觉图像操作的算法,将图像篡改看成一种异常检测问题,对图像的真伪性进行鉴别,并应用在视觉取证领域中。首先,针对传统检测算法预定特征普遍性差的影响,本文只使用真实照片的数据集代替以往算法中采用被篡改的数据集进行训练,解决手工收集数据集的困难,并通过利用照片中自动记录的EXIF元数据作为自监督信号来训练模型,增强其鲁棒性及检测效果。通过确定图像属性是否具有一致性,从而判定图像的真实性。其次,采用分类模型用于进一步的区分粗定位和操作分类,分别进行测试,同时为了避免过度采样罕见的EXIF元属性值,引入一元再平衡和成对再平衡,筛选掉特殊特征属性。通过网络输出的维度分类,进行初步的定位进一步进行特征比较,对图像块计算出相似概率。最后,利用深度学习中的Efficient Net神经网络模型对分割出的图像块通过基于密度的非参数聚类算法进全局整合,将不同图像块整合并进行一致性预测,最后得到一致性概率即整个图像的全局自一致性分数,将其可视化为响应图,分割出篡改区域。实验结果表明,本算法在哥伦比亚等公开数据集上的MAP值达到了98%极大的提高了拼接图象的检测效果,同时高于传统的检测方法。通过与其他算法进行对比,本文的算法具有明显优势。为开发准确率高、鲁棒性强、效率高的图像检测系统提供技术支撑。