1.一种基于元学习架构的域适应人脸伪造检测方法，其特征在于，包括以下步骤：S1：数据集的构建，将FF++数据集分成四个域集，分别为Deepfake、FaceSwap、NeuralTextures、Face2Face，并且在每个域集中，将其中伪造图像对应的真实图像加入到域集中构成最终的四个域集；

S2：元学习过程；

S21：元‑训练，在此阶段，将训练集中的数据输入到二进制检测模型中，计算训练集的交叉熵损失和一致性损失；

S22：元‑测试，在此阶段，通过元‑测试集来评估模型的性能表现，充分利用当前未知领域数据来对模型参数做出优化，提高模型的泛化能力；

S23：参数更新；

S3：采用伪样本生成方法，通过这些伪样本，单步更新源模型；

S4：采用随机恢复方法来避免知识遗忘问题，提高模型对复杂多样的未知数据的检测效果；

所述S1中训练步骤如下：S11：每一轮训练中，随机的选择两个域集做为源域，表示为 ，余下的两个域集做为目标域，表示为 ；

S12：使用CycleGAN对源域的图像进行风格迁移，生成具有目标域风格，源域内容的中间域，表示为 ；

所述S21的具体步骤为：S211：从源域 和中间域 中采样N个训练数据，表示为 ，则交叉熵损失的计算公式如下：

（1）；

其中： 是样本数量；

log表示自然对数，以e为底数；

是样本的真实标签；

是模型预测样本 为真实图像的概率；

S212：引入一致性损失，最小化不同域之间特征表示的差异，鼓励模型学习域不变的特征表示；

对于输入的K对源域和中间域样本，一致性损失的计算公式如下：（2）；

其中： 表示第n对输入样本中源域样本的归一化特征向量；

表示第n对输入样本中中间域样本的归一化特征向量；

表示向量的内积；

S213：元‑训练阶段的损失 通过交叉熵损失和一致性损失加权求和计算，公式如下：（3）；

其中：参数 表示一致性损失的重要程度，通过设置参数 来平衡两种损失在整个元‑训练阶段的占比；

所述S22的具体步骤为：S221：首先使用模型参数的二阶导数来虚拟地更新参数 ：（4）；

其中： 表示虚拟更新后的模型参数；

表示当前的模型参数；

是元‑训练阶段的学习率，然后通过目标域数据对模型及其虚拟参数进行了检验；

表示元‑训练阶段的损失；

S222：通过对不同域数据的评估，模型可学习到不同域的一般特征；

S223：在N个测试样本 下，整个元‑测试阶段的损失定义如下：（5）；

其中， 表示输入的N个样本， 表示这N个样本对应的标签；

所述S23的具体步骤为：模型参数为 时，训练阶段的加权损失为 ，元‑测试阶段的损失为 ,在这个阶段引入参数更新方法，将最终更新目标定义为：（6）；

其中 表示元‑测试损失的重要性，通过最小化该函数，可使得模型取得最佳性能，并且最终参数使用梯度下降方法如下更新：（7）；

其中： 表示元‑测试阶段的学习率；

代表训练更新；

代表元‑测试更新。

2.根据权利要求1所述的基于元学习架构的域适应人脸伪造检测方法，其特征在于：为了防止对已学知识的遗忘，采用随机恢复方法，显示地从源预训练模型中恢复知识，所述S4的具体步骤是：S41:考虑在时间步长t处，模型 进行梯度更新时，内部卷积层如下：（8）；

其中： 表示卷积运算；

和 表示该层的输入和输出；

表示可训练的卷积滤波器；

S42：所采用的随机恢复方法通过以下方式更新 ：（9）；

（10）；

其中： 表示逐元素乘法；

是小恢复概率；

是与 形状相同的掩码张量，掩码张量决定 中的哪些元素要恢复到源权重。