在实验室环境下数字图像隐写分析已经获得相对较高的检测准确率,但是数字图像隐写分析相对于对立学科数字图像隐写术在现实生活的应用落后很多。将数字图像隐写分析应用到现实生活需要克服很多困难,其中图像源不匹配(CSM,Cover Source Mismatch)是主要的困难之一。图像源不匹配是指在进行测试图像分类时,用于训练模型的训练集与测试图像集来自于不同的图像源,从而影响分类模型效果的问题。目前缓解CSM影响的实用方法多是使用大样本混合源训练集,但是混合样本数量增加的同时也增加了训练时间和资源消耗。本文另辟蹊径考虑以下两个角度,研究更加有效缓解CSM影响的方法:(1)利用图像自身纹理复杂度与CSM在隐写分析中的交互作用,从纹理复杂度的角度缓解CSM影响;(2)通过控制图像中除隐写噪声以外其它噪声对隐写分析特征分布的影响,从而在一定程度上缓解CSM问题。针对以上两个问题,本文的主要研究内容如下:通过设计基于图像滤波的纹理复杂度衡量算法联合不同的图像源建立基于双因素方差分析的数学模型,研究图像纹理复杂度与CSM的交互作用。通过双因素方法分析发现图像纹理复杂度与CSM存在显著的交互作用。并通过所发现的交互信息显示,可以从纹理复杂度的角度缓解CSM造成的消极影响。进一步,论文基于图像纹理复杂度衡量方法提出一种缓解CSM影响的方法,实验证明此方法可在一定程度上缓解CSM对隐写分析的影响。通过对图像进行卷积残差,获取图像中的非隐写噪声分布特征。提取隐写噪声分布特征的过程难免受到非隐写噪声甚至纹理复杂度的影响,这种影响一定程度上导致了 CSM问题。本文通过提取不同尺寸与权值卷积残差获得60个子模型组成的8000维特征RND(Redundant Noise Distribution),用来描述图像中非隐写噪声的分布。基于RND特征与JS(Jensen-Shannon Divergence)散度,提出相似图像匹配算法。通过匹配算法从图像库中匹配出的训练集是在非隐写噪声分布上与测试集相似的图像集合,其中同源图像最为相似。通过多种不匹配问题场景下自适应与非自适应隐写算法隐写分析实验证明,通过匹配算法为测试图像匹配出的训练集训练分类模型可有效缓解CSM问题。同时对匹配出的图像进行统计时发现,当图像库中含有测试集同源图像时,匹配算法将优先匹配图像库中的同源图像,从侧面证实了相似图像匹配算法的有效性。