In dieser Arbeit stellen wir einen neuen Ansatz der digitalen Bildforensik vor, den wir Forensische Ähnlichkeit nennen. Dieser Ansatz bestimmt, ob zwei Bildausschnitte die gleichen oder verschiedene forensischen Spuren enthalten. Ein Vorteil dieses Ansatzes besteht darin, dass keine vorherige Kenntnis, wie zum Beispiel Trainingsbeispiele, einer forensischen Spur erforderlich ist, um in der Zukunft eine Entscheidung über ihre forensische Ähnlichkeit zu treffen. Dazu schlagen wir ein zweiteiliges tiefes Lernsystem vor, das aus einem CNN-basierten Merkmalsextraktor und einem dreischichtigen Neuronalen Netzwerk besteht, dem sogenannten Ähnlichkeitsnetzwerk (similarity network). Dieses System ordnet Paaren von Bildausschnitten einen Score zu, der anzeigt, ob sie die gleichen oder verschiedenen forensischen Spuren enthalten.Wir haben die Genauigkeit des Systems evaluiert, um zu bestimmen, ob zwei Bildausschnitte 1) mit demselben oder einem anderen Kameras Modell aufgenommen wurden, 2) durch dieselbe oder eine andere Bearbeitungsoperation manipuliert wurden und 3) bei gegebener Bearbeitungsoperation durch denselben oder unterschiedlichen Manipulationsparameter manipuliert wurden. Die Experimente zeigen die Anwendbarkeit auf eine Vielzahl von forensischen Spuren und belegen insbesondere die Wirksamkeit bei „unbekannten“ forensischen Spuren, die nicht für das Training des Systems verwendet wurden. Zudem zeigen die Experimente, dass das vorgeschlagene System den Stand der Technik erheblich verbessert und die Fehlerquoten mehr als halbiert. Darüber hinaus haben wir die Nützlichkeit des Ansatzes der forensischen Ähnlichkeit in zwei praktischen Anwendungen demonstriert: Fälschungserkennung und -lokalisation sowie Datenbankkonsistenzprüfung.