1.一种联合多尺度特征的深度伪造图像检测方法，其特征在于，所述方法包括：对输入视频进行数据预处理得到输入图像，并对输入图像进行基于反事实因果推理的数据增强，生成反事实和事实增强样本；构建双流预测网络，所述双流预测网络包括浅层伪造特征提取及分类子网络和深层伪造特征提取及分类子网络，所述浅层伪造特征提取及分类子网络将所述反事实和事实增强样本依次输入第一卷积模块、全局平均池化层、第一多尺度特征提取模块得到特征图f mul_tex ，将所述特征图f mul_tex 喂入第一分类器，得到预测值S1；所述深层伪造特征提取及分类子网络将所述反事实和事实增强样本依次输入第一卷积模块、第二卷积模块、第三卷积模块、第二多尺度特征提取模块得到特征图f mul_sem ，将所述特征图f mul_sem 喂入第二分类器，得到预测值S2；进行多特征融合与分类，将特征图f mul_tex 和特征图f mul_sem 串联起来，得到特征表达f total ，将所述f total 依次通过第四卷积模块、第五卷积模块、第三分类器，得到预测值S3；采用少数服从多数的原则，通过对预测值S1、S2、S3进行投票来决定输入图像是否真实；所述对输入图像进行基于反事实因果推理的数据增强，具体包括，生成的反事实样本为：生成的事实样本为：其中，i是具有Ω像素的输入图像， 为因果相关区域，0表示非因果，1表示因果， 表示因果区域中的填充图像，⊙表示逐元素点乘， 表示非因果区域中的填充图像。
2.根据权利要求1所述方法，其特征在于，所述填充图像采用灰度填充、随机填充和混合填充，对于所述反事实样本，采用灰度填充和随机填充的图像，其标签重置为随机数0或1，采用混合填充的图像，其标签与原始输入图像的标签相反；对于所述事实样本，采用灰度填充、随机填充和混合填充的图像，其标签与原始输入保持一致。
3.根据权利要求1所述方法，其特征在于，所述多尺度特征提取模块主要由下采样路径、上采样路径和垂直连接组成。
4.根据权利要求1-3任一项所述方法，其特征在于，总损失函数为：L＝α*L CE_A +βL CE_B +γL CE_C其中，L CE_A ,L CE_B 和L CE_C 分别表示第一分类器、第二分类器和第三分类器的损失函数，α，β和γ是权重系数，α＝β＝γ＝1。
5.根据权利要求4所述方法，其特征在于，所述第一分类器、第二分类器和第三分类器的损失函数均为：其中，y j 和p j 分别表示输入图像j的标签和模型预测其为真实图像的概率值，N表示训练样本的总数。
6.一种联合多尺度特征的深度伪造图像检测系统，其特征在于，所述系统包括：数据预处理模块，对输入视频进行数据预处理得到输入图像，并对输入图像进行基于反事实因果推理的数据增强，生成反事实和事实增强样本；双流预测网络模块，所述双流预测网络模块包括浅层伪造特征提取及分类子网络和深层伪造特征提取及分类子网络，所述浅层伪造特征提取及分类子网络将所述反事实和事实增强样本依次输入第一卷积模块、全局平均池化层、第一多尺度特征提取模块得到特征图f mul_tex ，将所述特征图f mul_tex 喂入第一分类器，得到预测值S1；所述深层伪造特征提取及分类子网络将所述反事实和事实增强样本依次输入第一卷积模块、第二卷积模块、第三卷积模块、第二多尺度特征提取模块得到特征图f mul_sem ，将所述特征图f mul_sem 喂入第二个分类器，得到预测值S2；多特征融合与分类模块，进行多特征融合与分类，将特征图f mul_tex 和特征图f mul_sem 串联起来，得到特征表达f total ，将所述f total 依次通过第四卷积模块、第五卷积模块、第三分类器，得到预测值S3；判别模块，采用少数服从多数的原则，通过对预测值S1、S2、S3进行投票来决定输入图像是否真实；所述对输入图像进行基于反事实因果推理的数据增强，具体包括，生成的反事实样本为：生成的事实样本为：其中，i是具有Ω像素的输入图像， 为因果相关区域，0表示非因果，1表示因果， 表示因果区域中的填充图像，⊙表示逐元素点乘， 表示非因果区域中的填充图像。
