چکیده: با پیشرفت فناوری دیجیتال، رسانه‌های دیجیتالی را می‌توان از دوربین دستگاه‌های مختلف ثبت کرد و به‌راحتی در فضای مجازی و شبکه‌های اجتماعی به اشتراک گذاشت. در این زمینه، دستکاری‌های تصویری و ویدئویی بسیار رایج شده و برای افراد و کل جامعه به طور فزاینده‌ای خطرناک است. شناسایی مدل دوربین به عنوان اولین مرحله از ارزیابی اصالت تصاویر در تحقیقات پزشکی قانونی در مورد تصاویر دیجیتال است. شناسایی دوربین منبع، موضوع مورد بحث این پایان‌نامه است. در اکثر مقالات مرتبط، معماری‌های مختلف مبتنی بر یادگیری عمیق برای استخراج الگوی نویز به عنوان اثر انگشت هر دوربین، طراحی شد. هر تصویر شامل نویز‌هایی می‌باشد که بر اساس طراحی سیستم لنز این نویز‌ها برای هر دوربین، منحصر به فرد است. این الگوی نویز بر اثر ویرایش و دستکاری تصویر از بین نخواهد رفت و هدف نهایی استخراج الگوی نویز، شناسایی مدل دوربین هر تصویر است که در مباحث جرم‌شناسی تصویری کاربرد دارد. به طور خاص، در این پایان‌نامه پیش‌پردازش داده‌ها و معماری CNN تحلیل می‌شود. پیش‌پردازش داده‌ها همیشه به شناسایی دوربین منبع کمک نمی‌کند زیرا ممکن است در روند اعمال پیش‌پردازش‌ها قسمتی از داده‌ها از دست برود و کارایی سیستم شناسایی دوربین منبع کاهش یابد. در نتیجه انتخاب پیش‌پردازش‌های مناسب امری مهم است. روش پیشنهادی این پایان‌نامه بر روی پیش‌پردازش داده‌ها با استفاده از توابع افزایش وضوح تصویر، افزایش تضاد در تصویر و تشخیص لبه در تصویر تمرکز دارد. در ادامه، تعیین ساختار شبکه عصبی عمیق برای استخراج ویژگی مورد بررسی قرار گرفت. ساختار شبکه عصبی عمیق شامل دو لایه کانولوشنی، یک لایه جمع کننده حداکثری و دولایه تمام متصل مورد استفاده قرار گرفت. برای طبقه بندی مجموعه دادگان از تابع softmax و ماشین بردار پشتیبان SVM در انتهای ساختار‌های شبکه عصبی عمیق استفاده شد. در این پایان‌نامه برای جلوگیری از بیش‌برازش از روش DropConnect به جای روش DropOut استفاده شد تا با حفظ نورون‌های بیشتر نسبت به روش DropOut الگوی نویز دقیق‌تر استخراج شود و کارایی شناسایی دوربین منبع بهبود پیدا کند. در سطح مدل و سنسور ساختار‌ شبکه عصبی عمیق با تابع softmax توانست به ترتیب 98.5 درصد و 95.4 درصد از داده‌های آزمون را به درستی شناسایی کند. همچنین ساختار شبکه عصبی عمیق همراه با ماشین بردار پشتیبان به ترتیب 98.3 درصد و 93.2 درصد از داده‌های آزمون را به درستی شناسایی کرد. به این ترتیب، روش‌های پیشنهادی دقت‌های بالاتری را نسبت به مراجع دیگر داشته‌ است.