图像隐写检测作为信息安全领域的重要研究方向,可以有效阻止非法隐写通信活动、保障通信安全,已经广泛研究并且发展迅速。传统的图像隐写检测主要是基于手工设计特征,随着图像隐写的安全性逐渐提高,隐写过程中对图像统计特征造成的改变愈来愈小,手工设计隐写检测特征的难度愈来愈大。由于深度学习的发展,以卷积神经网络为代表的,基于深度学习的图像隐写检测逐渐成为其领域内的研究重点,各种图像隐写检测模型层出不穷,已经显著提高了检测准确率。但是到目前为止,隐写检测特征表达能力依然是各种图像隐写检测模型的关键问题。基于深度学习网络的图像隐写检测模型,其预处理层和特征提取层的设计是提高隐写检测特征表达能力的关键,本文以提高隐写检测模型的特征表达能力为目的,重新设计隐写检测模型中预处理层和特征提取层,以提高预处理层的残差提取质量,优化卷积层的非线性表达能力,主要工作如下:（1）针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限,以及各通道特征图没有区分的问题,构建了一个基于多层感知卷积与通道加权的卷积神经网络隐写检测模型。该模型首先对预处理层卷积核的扩充方式进行改进,将30个高通滤波器按照尺寸大小,分别扩充为17个3×3和13个5×5大小,提高预处理层所提取残差图像的质量;然后使用多层感知卷积层（Mlpconv）代替传统的线性卷积层,增强隐写检测模型对高阶特征的表达能力;最后引入通道加权模块,以实现通过全局信息对每个卷积特征图赋予不同的权重,增强主要特征并抑制次要特征,增强模型提取隐写检测特征的质量。实验结果表明,该检测模型针对不同典型隐写算法及不同嵌入率,相比Xu-Net、Yedroudj-Net、Zhu-Net均有更高的检测准确率,与最优的Zhu-Net相比,准确率提高1.95～6.15%。（2）针对目前图像隐写检测模型中池化等操作造成的特征图信息丢失,以及全局平均池化没有考虑高阶统计量的问题,构建了一个基于多尺度特征融合与全局协方差池化的卷积神经网络隐写检测模型。该模型首先利用2层3×3卷积核替换多层感知卷积层中5×5的卷积核,降低参数量的同时增加其非线性表达能力;然后在最后一层卷积层后构建多尺度特征融合模块,通过空洞卷积融合多个尺度的特征信息,减少模型在池化等过程中导致的细节特征信息损失,丰富深层特征图所包含的细节特征;最后引入全局协方差池化,通过计算二阶统计量协方差作为最后的特征输出,从而保留更多的细节特征信息,增强隐写检测模型对细节特征的表达能力。实验结果表明,针对不同典型隐写算法及不同嵌入率,该隐写检测模型所提取隐写检测特征辨别力更强,检测准确率更高。综上所述,本文基于卷积神经网络设计了两种图像隐写检测模型,增强了预处理层所提取残差图像的质量,提高了特征提取层中卷积层的非线性表达能力,使隐写检测模型所提取的隐写检测特征表达能力更强,检测准确率更高。