图像编辑软件（如Photoshop和美图秀秀）的滥用，使得数字图像的真实性日益受到质疑。与此同时，在线社交网络（OSNs）的广泛普及，使其成为传播伪造图像、制造虚假新闻和散布谣言的主要渠道。然而，OSNs普遍采用的各类有损操作（如压缩和缩放）给图像伪造检测技术的鲁棒性带来了巨大挑战。为应对OSNs共享环境下的伪造图像问题，本文提出了一种新颖的鲁棒训练机制。首先，我们对OSNs引入的噪声进行了深入分析，并将其解耦为两类：可预测噪声与不可见噪声，分别进行建模。前者用于模拟OSNs中已知（公开）操作所引入的噪声，后者则不仅补充了前者的不足，还考虑了检测器自身可能存在的缺陷。随后，我们将建模后的噪声引入鲁棒训练框架，显著提升了图像伪造检测器的鲁棒性能。大量实验结果表明，所提方法在多项指标上均优于现有多种先进方法。最后，为推动图像伪造检测技术的进一步发展，我们基于四个现有数据集和三大主流在线社交网络，构建了一个公开的伪造图像数据集。所设计的检测器已在近期举办的证书伪造检测竞赛中荣获第一名。相关源代码与数据集已开源，地址为：https://github.com/HighwayWu/ImageForensicsOSN。