车载网络作为交通物联网领域的新兴技术,网络中各单元的通信是基于无线信道进行,这导致在数据传输过程中极易引起第三方攻击者窃取和攻击,从而致使隐私数据存在泄露风险。基于生成式对抗网络（Generative Adversarial Networks,GAN）实现的无载体信息隐藏技术相比传统加密技术具有更高的隐蔽性和安全性,且在实际应用中能更好地满足车载网络信息安全需求,对解决车载网络隐私数据保护问题提供了全新的思路。因此,开展基于GAN的车载网络数据隐写方案研究具有丰富的理论与实际价值。本文主要工作如下:（1）系统地开展车载网络信息安全与信息隐藏技术调研。阐述车载网络信息安全保护与信息隐藏技术之间的关联关系及研究现状,分析利用信息隐藏技术来解决车载网络中隐私数据保护的必要性和合理性,总结目前相关主流解决方案存在的缺陷。（2）提出一种基于生成式对抗网络的无载体数据隐写框架。结合该框架针对两种GAN模型的特点设计不同的映射关系,以实现车载网络隐私数据安全保护。具体地,对WGAN（Wasserstein GAN）构建数据与噪声的映射关系,对ACGAN（Auxiliary Classifier GAN）构建数据与类别标签的映射关系。基于WGAN和ACGAN模型分别设计相应的隐写和提取算法,解决了现存方案隐写容量小、提取率低等方面的缺点。（3）基于主流深度学习框架对所提两种方案进行实验仿真验证。分别在隐写容量、提取准确率和安全性方面对所提方案的性能表现进行测评,对比两种方案的区别和相同性能指标下的优缺点,验证了基于GAN的隐写方案对解决车载网络中隐私数据安全保护问题的可行性和有效性。