随着互联网的快速发展,大量的数据在网络中传输,人们的私密数据在传输过程中很容易被人截取和篡改,为了保证传输信息的安全,信息隐藏中的隐写术发挥了重要作用。传统的隐写算法在最小失真函数和隐写编码方式上对设计者有较高的要求,基于生成对抗网络的隐写模型则利用了隐写和隐写分析的博弈过程,自然而然地将信息嵌入到图像中。然而目前主流的隐写模型在嵌入容量、不可察觉性和鲁棒性等方面存在一些不足之处,为此本文通过设计优化网络结构来提升模型的整体隐写性能。主要贡献如下:首先,为了提高嵌入容量提出了一种基于残差和稠密网络的隐写模型,含有编码器、解码器和评分器三个部分形成端到端的隐写框架。编码器和解码器基于残差和稠密网络来设计,实现特征重用,提高了训练效率和稳定性。评分器对载体图像和载密图像评分,利用Wasserstein距离作为衡量指标进行训练,保证训练的稳定性,使生成的载密图像质量更高。该模型在嵌入大容量信息的同时也能保证载密图像的质量以及解码准确率。其次,为了进一步提高鲁棒性提出了一种基于生成对抗网络的鲁棒隐写模型,将含有不同种类噪声的模块与隐写模型相结合训练出能抵抗各种攻击的鲁棒隐写模型。图像噪声主要有裁剪、缩放、JPEG压缩等,将这些噪声打包成模块添加在编码器和解码器之间,在训练过程中将编码器输出的载密图像经过不同种类噪声的处理,再由解码器进行解码,提升了隐写模型的鲁棒性。最后,将提出的隐写模型和主流的隐写模型进行分析对比,采用各种指标进行量化分析。图像质量主要体现在PSNR和SSIM指标上,嵌入容量则由Bpp进行衡量,鲁棒性则由解码准确率以及隐写分析模型的检测准确率来体现。在噪声层的对比分析中,JPEG压缩采用更为合理的可微模拟方法,使得在真实JPEG压缩的场景下,载密图像仍有较高的解码准确率。综合比对结果,本文提出的模型在各方面都有着出色的表现,相比于其他隐写模型都有着显著的提升。