Berkani lamis/ BOUKHRIS HAIFA /encadré par Aoulmi Chahinda2026-09-272026-06https://dspace.univ-tebessa.dz/handle/123456789/454À l’ère de l’intelligence artificielle générative, la prolifération des manipulations d’images numériques, notamment les Deepfakes, pose un défi majeur pour la criminalistique informatique (Digital Forensics). Ce mémoire de Master présente une approche hybride robuste dédiée à la détection automatique de falsifications d’images, en combinant l’analyse spatio-fréquentielle et l’apprentissage profond. Notre contribution fondamentale repose sur l’intégration de la Transformée en Ondelettes Discrète (DWT) en amont des Réseaux de Neurones Convolutifs (CNN). En écartant l’approximation globale basse fréquence pour forcer le réseau à focaliser son attention sur les sous-bandes de détails fréquentielles (LH,HL,HH), le système parvient à isoler les micro-anomalies géométriques et statistiques laissées par les algorithmes de manipulation. Les simulations rigoureuses menées sous l’environnement MATLAB sur la base de données de référence Celeb- DF v2 valident l’efficacité de cette fusion. En utilisant l’ondelette de Daubechies (db4), le modèle basé sur l’apprentissage résiduel ResNet-18 surclasse les architectures standard et SqueezeNet, en atteignant une précision remarquable de 95,42% (jusqu’à 96,15%), avec un score AUC de 0,978 et un taux de fausses alarmes (FPR) réduit à seulement 4,00%.frCriminalistique NumériqueFalsification d’ImagesDeepfakesDWTCNNResNet-18.Thesis