现存的使用噪声特征的多篡改类型图像伪造检测算法，往往不能有效地检测篡改区域和非篡改区域之间的特征差异，特别是对复制-粘贴篡改类型。为此，提出一种融合残差反馈和自注意力机制的双流编-解码器图像篡改取证网络，通过两个流分别检测RGB像素的非自然边缘等篡改伪影和局部噪声不一致性。首先，在编码器阶段使用多个融合残差反馈的双重残差单元提取相关篡改特征，以获得粗特征图；其次，通过改进后的自注意力机制对粗特征图进行进一步特征增强；随后，将互相对应的编码器浅层特征和解码器深层特征进行融合；最后，串联融合两个流最终提取到的篡改特征，再通过一个特殊卷积操作实现对篡改区域的像素级定位。实验结果表明，所提网络在COVERAGE数据集上的F1值和曲线下面积（AUC）优于对比网络。在NIST16、Columbia数据集上，所提网络的F1值相较于TED-Net（Two-stream Encoder-Decoder Network）分别提高了9.8和7.7个百分点，AUC分别提高了1.1和6.5个百分点。所提网络在复制-粘贴篡改类型检测上取得了良好的效果，并且也适用于其他篡改类型检测。同时，该网络能在像素级上对篡改区域准确定位，检测性能优于对比网络。

图像修复是一种常见的图像篡改手段，而基于深度学习的图像修复方法能生成更复杂的结构乃至新的对象，使得图像修复取证工作更具有挑战性。因此，提出一种端到端的面向图像修复取证的U型特征金字塔网络（FPN）。首先，通过自上而下的VGG16模块进行多尺度特征提取，并利用自下而上的特征金字塔架构对融合后的特征图进行上采样，整体流程形成U型结构；然后，结合全局和局部注意力机制凸显修复痕迹；最后，使用融合损失函数以提高修复区域的预测率。实验结果表明，所提方法在多种深度修复数据集上的平均F1分数和IoU值分别为0.791 9和0.747 2，与现有的基于扩散的数字图像修复定位（LDI）、基于图像块的深度修复取证方法（Patch-CNN）和基于高通全卷积神经网络（HP-FCN）方法相比，所提方法具有更好的泛化能力，且对JPEG压缩也具有较强的鲁棒性。