针对造假成本低、不易察觉的音频场景声替换的造假样本检测问题，提出了基于ResNet的造假样本检测算法。该算法首先提取音频的常数Q频谱系数（CQCC）特征，之后由残差网络（ResNet）结构学习输入的特征，结合网络的多层的残差块以及特征归一化，最后输出分类结果。在TIMIT和Voicebank数据库上，所提算法的检测准确率最高可达100%，错误接收率最低仅为1.37%。在现实场景下检测由多种不同录音设备录制的带有设备本底噪声以及原始场景声音频，该算法的检测准确率最高可达99.27%。实验结果表明，在合适的模型下利用音频的CQCC特征来检测音频的场景替换痕迹是有效的。

回声隐藏是一种以音频为载体的隐写技术，目前针对回声隐藏的隐写分析方法主要以倒谱系数作为手工特征进行分类。然而，这些传统方法普遍在回声幅度较低时检测性能不高。针对回声幅度较低的情况，提出一种基于卷积神经网络（CNN）的回声隐藏隐写分析方法。首先利用短时傅里叶变换（STFT）提取音频的幅度谱系数矩阵作为浅层特征，然后设计了一个卷积神经网络框架对浅层特征进行进一步的深度特征提取，网络框架中包含了四个卷积模块以及三层全连接层，最后分类结果以Softmax进行输出。在三种经典的回声隐藏算法上对提出的方法进行了隐写分析实验评估，实验结果表明，该方法在低回声幅度条件下的检测率分别为98.62%、98.53%和93.20%，与目前所提出的传统基于手工特征的方法和基于深度学习的方法相比，检测性能提升10%以上。

为抵抗翻拍图像对人脸识别等认证系统的攻击，提出一种人脸图像梯度方向预测算法。通过自适应高斯同态滤波进行光照补偿增强真实活体图像与翻拍图像的对比度，用八方向Sobel算子与像元卷积方向预测，并使用支持向量机(SVM)分类器设计图像分类器判别两类图像。抽取国内外数据库(南京航空航天大学与耶鲁大学人脸库)活体人脸与翻拍人脸共522张进行实验，检测率达到99.51%；另用三星Galaxy Nexus手机拍摄261张真实人脸，同时进行翻拍，得到样本库522张人脸，实验检测率达到98.08%，特征提取用时167.04s。结果表明能有效地检测分类出真实人脸照片与翻拍假冒照片，并具有较高的特征提取效率。