为了进一步提高对拼接、缩放旋转、复制粘贴三种主要篡改手段的识别准确率，增强算法普适性，提出了一个基于三向流特征提取的卷积神经网络篡改图像识别系统。首先，分别根据图像局部彩色不变量特性比较特征子块相似度，根据噪声相关性比较篡改区域边缘的噪声相关系数，以及根据图像重采样痕迹计算子块标准偏差对比度，完成了对图像RGB流、噪声流和信号流的特征提取；然后，通过多线性池化，结合改进的分段AdaGrad梯度算法，实现了特征降维和参数自适应更新；最后，通过网络训练和分类，完成了对拼接、缩放旋转、复制粘贴这三种主要的图像篡改手段的识别与相应的篡改区域的定位。为衡量所提模型的效果，在VOC2007和CIFAR-10两个数据集上进行了实验。在约9 000张图像上的实验结果表明，该模型对拼接、缩放旋转、复制粘贴这三种篡改手段均能进行较准确的识别与定位，识别率分别为0.962、0.956和0.935。与对照文献的双向流特征提取方法相比，该模型的识别率分别提高了1.050%、2.137%、2.860%。三向流特征提取模型丰富了卷积神经网络对图像的特征信息采集，提高了网络的学习性能与识别精度，同时改进的梯度算法通过分段控制参数学习率的下降速度，降低了过拟合，减少了收敛震荡，提高了收降速度，实现了算法的优化设计。

针对人脸图像在待修复缺损面积较大时，现有方法的修复存在图像语义理解不合理、边界不连贯等视觉瑕疵的问题，提出基于密集连接块的U-Net结构的端到端图像修复模型，以实现对任意模板的语义人脸图像的修复。首先，采用生成对抗网络思想，生成器采用密集连接块代替U-Net中的普通卷积模块，以捕捉图像中缺损部分的语义信息并确保前面层的特征被再利用；然后，使用跳连接以减少通过下采样而造成的信息损失，从而提取图像缺损区域的语义；最后，通过引入对抗损失、内容损失和局部总变分（TV）损失这三者的联合损失函数来训练生成器，确保了修复边界和周围真实图像的视觉一致，并通过Hinge损失来训练判别器。所提模型和GLC、DF、门控卷积（GC）在人脸数据集CelebA-HQ上进行了对比。实验结果表明，所提模型能有效提取人脸图像语义信息，修复结果具有自然过渡的边界和清晰的局部细节。相较性能第二的GC，所提模型对中心模板修复的结构相似性（SSIM）和峰值信噪比（PSNR）分别提高了5.68%和7.87%，Frechet Inception距离（FID）降低了7.86%；对随机模板修复的SSIM和PSNR分别提高了7.06%和4.80%，FID降低了6.85%。

在基于样例的图像修复算法中，由于优先权公式的计算容易受图像局部噪声和细小纹理的干扰，导致修复顺序错乱；而在搜索最优匹配块时，因忽略了图像块内部的结构影响，可能导致误匹配。针对以上问题提出了一种基于图像的结构-纹理分解及局部总变分最小化的图像修复模型。首先，根据对数总变分最小化模型，将待修复图像进行结构-纹理分解，得到图像的结构分量，并利用图像的结构分量来计算待修复点优先权，使优先权的计算排除局部纹理干扰而更具鲁棒性；其次，将优先权的计算改进为数据项和置信项的加权和，避免了乘积效应，确保数据项一直发挥作用，减少因修复顺序不合理造成的错误匹配；最后，根据图像的局部总变分最小化原则，将图像块的最优匹配转换为0-1优化问题，确保图像修复后的局部结构一致性。与3组参考文献的5组对比实验结果表明，峰值信噪比（PSNR）提高了1.12~3.56 dB，结构相似性指数提高了0.02~0.04。所提模型更好地遵循了修复优先性原则，具有更强的保持图像局部结构一致性的能力，改善了修复图像的视觉效果，适用于复杂结构的大面积毁损的图像的修复。

针对基于总变分最小化的图像修复模型容易造成阶梯效应及假边缘的问题，提出了基于对数函数的非局部总变分图像修复模型。新的总变分能量泛函的被积函数为一个关于梯度幅度的对数函数。在总变分模型与各向异性扩散模型的偏微分方程框架下，首先，从理论上证明了对数总变分模型满足良好扩散所需的所有性质，并对其局部扩散行为进行了理论分析，证明了其在等照度方向及梯度方向扩散的良好特性。其次，为考虑图像块的相似性及避免局部模糊，采用非局部对数总变分进行数值实现。实验结果表明，与经典的总变分修复模型相比，基于对数函数的非局部总变分模型对图像修复的效果良好，避免了局部模糊，且在图像平滑区域能较好地抑制阶梯效应；与基于样例的修复模型相比，所提模型对纹理图像能获得更为自然的修复效果。实验结果表明，与三类总变分模型和基于样例的修复模型相比，所提模型的性能最优，且与各对比模型的平均结果（图2、图3、图4）相比，其结构相似性指数（SSIM）分别提高了0.065、0.022和0.051，峰值信噪比（PSNR）分别提高了5.94 dB、4.00 dB和6.22 dB。含噪图像的修复结果表明所提模型具有较好的鲁棒性，对含噪声的图像也能获得良好的修复效果。