随着计算机网络和多媒体技术的飞速发展，多媒体数据逐渐成为人们获取信息的重要来源，并成为人们生活的重要组成部分。然而当前数字信号处理和计算机网络传输技术的迅猛发展却使数据的版权保护面临严峻的挑战。因而，如何在开放的网路环境下对数字作品实施有效的版权保护已成为国际上研究的热门话题。数字水印技术是解决数字媒体版权保护问题的有效办法，它的基本思想是在数字图像、音频或视频中嵌入信息，以便保护数字产品的版权、证明产品的真实可靠性、跟踪盗版行为或者提供产品相关信息。近年来，图像水印发展很快，相关算法也较成熟，而针对音频水印的算法还不是很多，音频数字水印技术正逐渐成为数字水印的研究热点之一。　　 随机剪切(Random Cropping)、抖动攻击(Jittering)、保持音调不变的时间缩放(Time Scale Modification，TSM)是数字音频水印技术中十分典型的几种时间域同步攻击方法。与MP3音频压缩、低通滤波等常规的音频信号处理攻击相比，同步攻击更加难以抵抗，已经成为研究界的一个公开难题。在本论文中我们提出了一种基于对象传播神经网络(Counter PropagationNeural Network，CPN)的音频水印算法，其主要目的是对各种同步攻击进行高强度的抵抗。算法基于恒定水印的思想，在离散小波域寻找在各种音频信号处理和同步攻击下都能保持基本稳定的物理量用于水印的嵌入和检测。利用CPN容错性、自适应学习和非线性逼近等优点，将具有较强稳定性的小波低频系数方差作为其输入，利用其学习算法，建立音频特征和水印信号的对应关系，水印在不需要修改音频信号情况下被“嵌入”到原始音频信号中，具有很高的不可感知性。通过自适应的改变分段长度，减小小波低频系数方差由于TSM攻击等同步攻击而产生的误差。仿真实验结果表明，算法对常规音频信号处理和TSM等同步攻击具有很强的鲁棒性。