随着互联网科技的发展以及电子可视设备的普及,越来越多的数字图像内容可以通过互联网平台实现高效的传输分享,在给用户提供极大便利的同时,也带来数字图像的安全性问题。如何实现数字图像的版权保护、数字认证及数据跟踪,受到越来越多的关注。数字水印算法作为一种保护数字图像版权的有效工具,广泛应用于图像文件的追踪溯源,已经成为网络空间安全领域的研究热点。数字水印技术是将版权信息或来源信息作为水印,嵌入到数字图像载体中的一种信息隐藏技术,通常它可以以一种人类视觉不可感知的方式携带标识信息。尽管数字图像可能受到一定的信号处理攻击,人们还是可以从数字图像载体中提取出水印信息来进行数字版权归属、认证、溯源等。水印图像的质量、水印信息嵌入容量以及算法的鲁棒性是衡量数字水印技术的三个重要指标,各项指标之间存在难以解决的制衡问题,如何使算法各方面性能平衡稳固提升一直是水印技术发展的重要难点。本文主要针对数字图像水印算法中的高鲁棒性进行研究。主要研究了传统的差值调制算法和基于深度学习框架的水印算法,结合图像结构特征,设计了两类合适的改进算法,有效提升了数字图像水印算法的鲁棒性。主要内容如下:1.提出图像结构掩蔽特征引导的高鲁棒性数字水印算法:首先,利用图像离散余弦变换（Discrete Cosine Transform,DCT）域局部区域的块内外强相关性,定义水平、竖直及对角三个方向作为块间对比方向,在相邻方向块内定义同方向的系数向量进行投影作差,得到待嵌水印的差值量。然后,根据差值的分布范围设置八区间调制,引入恰可察觉失真（Just Noticeable Difference,JND）视觉模型,构造了区间阈值感知偏移量,有效利用视觉冗余,进一步提高算法鲁棒性。最后,算法设计了两个嵌入规则,通过将相邻块向量的投影差值移动到特定的区间来实现水印信息嵌入,同时通过JND参数实现了DCT系数的自适应匹配调整,完成水印信息的嵌入。本文通过实验验证了提出算法在常见信号处理攻击下的鲁棒性,分别对提出的多向相关性对比方法、多系数扩展方法以及JND调制方法进行了消融实验分析,验证了提出的每个改进策略的有效性,并将提出的方法与其他差值调制方法及传统的水印算法相比较,实验结果证明,文中提出的算法具有更高的鲁棒性。2.提出基于图像结构特征学习框架的高鲁棒性水印算法:为了进一步提升算法对联合处理攻击的鲁棒性,并保持水印图像的结构细节信息,本文提出基于图像结构特征学习的鲁棒水印算法。该算法使用卷积神经网络（Convolutional Neural Networks,CNN）分两个阶段分别对编码器和解码器进行训练。第一阶段为无噪声端到端训练阶段,使用生成对抗网络（Generative Adversarial Networks,GAN）提升编码器性能。在上述阶段训练过程中,为有效保持水印图像的结构细节,算法将输入图像划分为不同的图像通道,并对亮度通道进行小波变换,得到图像亮度通道的高低频带,针对图像的亮度和色度通道以及高低频带设计损失函数。在第二个训练阶段中,算法固定编码器参数,并添加噪声层训练解码器。为了使算法在在线网络传输中具备足够的鲁棒性,根据在线网络平台常见的联合攻击设计噪声层。实验结果表明,提出的算法对常见的图像处理操作和联合攻击都具有高鲁棒性。