Deepfake检测技术的可信性与可解释性研究进展综述
潘瑶婷 陈澳迪 韦彩虹 唐钰婷 杨小梅（通讯作者）

广西职业师范学院，广西南宁，530007；

摘要：Deepfake技术的飞速发展对社会信任体系与信息安全构成严峻威胁，推动检测技术成为学术界与工业界的关注焦点。当前，尽管检测模型在受控环境下的识别准确率较高，但其在真实场景中的可信性与可解释性仍存在明显不足，制约了在司法取证、新闻核查等高可信要求领域的实际应用。可信性方面，现有模型面临跨数据集泛化能力弱、对噪声与对抗攻击鲁棒性差、结果可靠性缺乏统计依据等关键问题；可解释性方面，多数模型仅提供二分类输出，缺乏对决策依据与伪造痕迹的直观解释，难以令人信服。本文系统综述了近年来Deepfake检测技术在可信性与可解释性方面的研究进展，分别从迁移性优化、鲁棒性增强、可靠性评估，以及基于取证痕迹、模型透明化与多模态解释等角度梳理主要方法，并总结了相关数据集、评估指标与实际应用。最后，本文指出该领域仍面临生成技术快速迭代、极端场景适应性不足、解释细粒度有限等挑战，未来需进一步探索自适应检测架构、统一评估标准、细粒度可解释框架以及可信与可解释协同优化的技术路径，以推动构建可靠、透明、实用的Deepfake治理体系。

关键词：Deepfake检测；可信人工智能；可解释人工智能；多模态融合

参考文献

[1]时超轶.面向跨域场景的Deepfake检测方法研究[D].齐鲁工业大学,2025.DOI:10.27278/d.cnki.gsdqc.2025.000142.

[2]许裕雄,李斌,谭舜泉,等.语音深度伪造及其检测技术研究进展[J].中国图象图形学报,2024,29(08):2236-2268.

[3]陈梦秋.深度伪造信息的特征识别、行为交互与反制研究[D].南昌大学,2024.DOI:10.27232/d.cnki.gnchu.2024.004592.

[4]李彝利,姚洁彤,郎健,等.视频虚假新闻检测：方法、挑战与可解释性研究[J/OL].计算机科学,1-28[2025-12-07].https://link.cnki.net/urlid/50.1075.TP.20251203.1315.002.

[5]丁峰,匡仁盛,周越,等.深度伪造及其取证技术综述[J].中国图象图形学报,2024,29(02):295-317.