为解决当前图像伪造检测方法在识别复制内容区域时忽略了颜色信息和不同颜色分量之间的相关性，使其对伪造内容的定位与检测准确度不理想的问题，设计了基于改进的加速稳健特征(SURF)描述符与多元极性复指数变换的图像伪造检测算法。引入高斯低通滤波器，对彩色图像完成过滤，以消除噪声，再计算滤波图像的颜色不变性，用其替代SURF描述符中的灰度分量，对SURF方法予以改进，获取新的Hessian矩阵，充分检测彩色图像中的兴趣点；随后，利用这些兴趣点来构建一组连通的Delaunay三角网。基于四元极性复指数变换，充分考虑不同颜色分量之间的相关性，有效提取三角网的局部视觉特征；计算视觉特征之间的欧式距离，根据预设阈值，对三角网实施配准；最后，引入随机样本一致性，剔除错误匹配的三角网，并定义后处理方法，检测出复制伪造区域。测试数据显示：相对已有的复制-粘贴伪造检测方法，在多种几何变换条件下，所提方法具有更高的伪造检测准确性。

由于尺度不变特征变换(SIFT)算法只针对图像的局部特征进行描述且忽略了图像的彩色信息, 当待匹配图像中存在大量形状相似区域时, 误匹配率很高。 本文对SIFT图像匹配法进行了改进, 提出了SCARF(Shape-color Alliance Robust Feature)图像匹配算法。为解决SIFT常出现的误匹配现象, 构造的SCARF算子利用SIFT检测子提取图像的特征点集, 通过建立同心圆坐标系, 在SIFT原有框架的基础上融入全局形状信息和颜色不变信息, 并采用欧氏距离作为匹配代价函数进行描述子匹配。对包括SCARF算法和SIFT算法在内的5种不同匹配算法通过INRIA数据库进行了实验验证, 实验结果表明: SCARF算法在图像模糊、局部特征相似、JEPG压缩和光照变化等复杂变换情况下, 匹配准确率优于SIFT等其他算法, 降低了误匹配的概率, 明显提高了匹配的稳定性和鲁棒性。