Dans cet article, nous présentons une nouvelle approche en forensique numérique des images appelée similarité forensique, qui détermine si deux fragments d'image contiennent la même trace forensique ou des traces forensiques différentes. Un avantage de cette approche est qu'elle n'exige pas de connaissances préalables, par exemple des échantillons d'entraînement, pour prendre une décision de similarité forensique à l'avenir. Pour ce faire, nous proposons un système d'apprentissage profond en deux parties composé d'un extracteur de caractéristiques basé sur un CNN et d'un réseau neuronal à trois couches, appelé réseau de similarité. Ce système associe des paires de fragments d'image à un score indiquant s'ils contiennent la même ou des traces forensiques différentes. Nous avons évalué la précision du système pour déterminer si deux fragments d'image ont été 1) capturés par le même modèle de caméra ou par différents modèles de caméra, 2) manipulés par la même opération d'édition ou par différentes opérations d'édition, et 3) manipulés avec le même paramètre de manipulation ou avec différents paramètres de manipulation, étant donné une opération d'édition particulière. Les expériences montrent l'applicabilité à diverses traces forensiques et, plus important encore, démontrent l'efficacité sur les traces forensiques « inconnues » qui n'ont pas été utilisées pour entraîner le système. Les expériences montrent également que le système proposé améliore considérablement l'état de l'art, réduisant les taux d'erreur de plus de moitié. De plus, nous avons démontré l'utilité de l'approche de similarité forensique dans deux applications pratiques : la détection et la localisation des faux et la vérification de la cohérence des bases de données.