随着人脸识别技术在身份认证、金融支付等关键领域的广泛部署,人脸数据的真实性与安全性已成为数据安全治理过程中的核心挑战。现有方法如基于潜空间重建误差依赖扩散模型先验,对仅影响局部区域的细微篡改敏感性不足,局部伪造误差信号易被全局重建误差稀释。因此,文章提出一种基于自编码器的改进重建误差检测方法,区别于扩散模型驱动的潜空间重建误差,该方法融合高频特征增强与关键区域保护双重机制,针对局部篡改检测进行轻量化优化。首先,通过多任务级联卷积神经网络生成空间权重掩码,引导模型关注五官等关键区域;然后,设计轻量化的可学习高通滤波器,自适应地提取并强化图像中的高频伪造痕迹;最后,将二者融合进重建误差计算,实现对误差信号在空间和频域上的协同增强。实验结果表明,该方法在局部篡改检测任务中性能显著提升,局部篡改敏感度达89.4%;在跨数据集测试中,在DeepFakeDetection和WildDeepfake上平均精度分别为92.1%和90.8%,展现出良好的泛化能力;同时,在噪声与压缩扰动下性能下降幅度较小,展现出较强的鲁棒性。