随着数字多媒体与计算机技术的发展,隐写术能以更加难以察觉的方式将秘密信息隐藏在数字多媒体中（如文本、图像和音视频等）。隐写术的滥用不仅威胁到每个公民的隐私安全,更关系到整个国家的繁荣与稳定。为了提高隐写检测准确率,隐写分析者提出了基于卷积神经网络的高级图像自适应检查算法。这类算法通过不断学习网络模型结构中的相关参数,挖掘数据中隐含的复杂关系,提取图像中的数据特征。这不仅大大降低了对研究人员经验和精力的要求,而且提高了隐写检测正确率。但现有卷积神经网络的隐写分析算法的网络结构相对单调简单,没有充分考虑到图像自适应隐写术的特性。同时,手动构建卷积神经网络是一个非常花费研究人员的时间和机器算力的过程,而且构建出来的网络易出错。针对上述问题,本论文分别提出了两种不同的图像隐写分析方法。主要创新点如下:首先为了进一步提高隐写分析的性能,论文提出了一种基于卷积神经网络的混合网络模型——SRNet-res-LSTM。该方法利用残差结构将目前先进的隐写分析网络之一SRNet和LSTM（Long Short-Term Memory）结合起来。该模型使用卷积神经网络提取图像特征,然后将提取的特征转移到LSTM结构中并优化特征之间的联系,以便保留有效的隐写分析特征,而忽略不利的特征。实验结果表明,基于卷积神经网络和LSTM的混合网络模型相较于单一的卷积神经网络,提高了对图像自适应隐写算法的检测精准度。其次针对手动构建卷积神经网络过于花费时间和算力,本文提出了一种自动化构建图像隐写分析网络模型的方法,用于检测图像自适应隐写术。使用具有ε-greed策略的经典强化学习方法Q-learning算法来训练学习智能体。我们将智能体在行动空间中的行动顺序建模成构建隐写分析网络的过程。智能体可以从搜索空间搜索出多种适用于隐写分析的高性能网络。我们在自动化构建图像隐写分析网络模型方面进行了探索,提出了一个基于模块的有行动限制的搜索空间,其中包含适用于隐写分析任务的三种特定类型的模块:噪声残差提取模块,特征提取模块,特征分类模块。采用基于模块的搜索空间策略可以有效缩减搜索空间,从而提高自动化构建隐写分析网络的效率。我们还设计了相关实验以证明方法的有效性,实验结果证明,构建的隐写分析网络对比当前的自动构建卷积神经网络方法生成的网络有性能优势。