近年来,信息处理技术的发展使得医疗图像的传输更加容易,医疗图像的非法采集和修改逐渐成为受关注的问题。医疗图像的大部分敏感信息都容易暴露给开放无线网络环境中的攻击者,因此,医疗图像等多媒体信息载体需要得到周密的保护。可逆信息隐藏是一种能够将有效载荷嵌入到多媒体载体中的特殊方法,并且可以在完全提取嵌入的秘密信息后重构载密图像。目前,传统的多媒体保护特别是对于医疗图像的可逆信息隐藏方法面临着诸多挑战,由于医疗图像非常敏感,即使像素的微小变化也可能对疾病诊断产生巨大影响,医疗图像的任何变化都可能对医生的判断造成很大的影响。本文的主要内容为:第一部分,提出一种基于码分复用和机器学习的医疗图像可逆信息隐藏方案。本方法在嵌入信息的过程中,使用两层的小样本神经网络对嵌入强度、序列长度等参数进行优化,从而得到更好的峰值信噪比和结构相似度。根据码分复用算法中不同扩展序列的正交性特点,有效载荷被重复嵌入到医疗图像中,扩展序列的大部分元素能够互相抵消,因此有效提高了可逆信息隐藏的嵌入能力。第二部分,提出一种针对实时医疗图像的可逆信息隐藏方法。本方案将医疗图像分为前景与背景区域,对医疗图像进行分块处理并根据均方误差进行排序,利用码分复用算法把病人的隐私信息被隐藏在医疗图像的中频子带中。因此,所提出的方法即使在信息嵌入率较高的情况下,图像的失真率也很低。第三部分,提出一种高精度的预测误差可逆信息隐藏算法。运用多方向梯度预测算法把有效载荷隐藏在图像中,通过计算像素的四个方向的梯度信息以得到更小的预测误差,得到更精确的预测值。与其他先进的算法相比,我们提出的方法比传统预测误差方法具有更高的嵌入性能。