随着人工智能的发展，合成语音与真实语音的区分变得更加困难，给音频深度伪造检测带来了挑战。现有的检测方法通常存在准确率低、泛化性差、抗干扰性弱等问题。为此，提出一种基于特征融合的音频伪造检测方法MFF-STViT。提出的方法设计了一个新的特征融合模块，将3种音频特征和作为辅助特征的声码器伪迹进行融合，综合不同特征的信息，提高特征表达能力；然后基于改进的Transformer模型—STViT进一步处理融合特征，减少特征冗余，进而提高音频伪造检测方法的性能。MFF-STViT与基线系统相比，在ASVspoof2019 LA测试集中，等错误率(Equal Error Rate，EER)平均降低71.38%；在ASVspoof2021 LA数据集中，EER和最小串联成本函数(minimum tandem detection cost function，min-tDCF)平均降低44.41%和18.11%；在ASVspoof2021 DF数据集中，EER平均降低57.81%；在LA和DF不同分区下，EER最大降幅均超过80%，显著优于其它对比方法。实验结果表明，MFF-STViT有效提升了检测的准确性、泛化能力、通用性和抗干扰性。