信息隐藏是保证网络通信数据安全的重要手段之一,发送方可以通过密钥和特定算法将秘密信息嵌入到载体中,再由接收方通过密钥和特定算法提取出秘密信息。其中,图像因其易获取性和多样性,成为目前使用最为广泛的隐藏载体之一。信息隐藏技术不仅能够保证秘密信息本身的安全,还能保证载密图像进行可靠的传输,因而受到国内外学者的广泛关注及深入研究。传统自适应图像隐写算法对于待改变像素位置选择大多依赖人为经验设计,需要耗费大量时间与精力。并且研究者们因考虑到载体图像嵌入秘密信息后造成的失真问题使得可隐藏容量变得极为有限。同时,随着深度学习的快速发展,深度学习网络对于复杂数据的强表征能力使其被应用到隐写分析领域中,使得隐写分析模型的判别性能快速提高。因此,为了解决传统图像隐写方法的低嵌入容量和安全性问题,本文旨在研究利用各类深度学习网络的不同优势构建基于深度学习的图像隐写模型,在扩展其隐写容量的情况下,进一步提升其安全性和载体图像的视觉质量。本文研究内容如下:（1）提出一种基于残差网络的大容量图像隐写模型,首先利用残差网络型编码器将秘密RGB图像和载体RGB图像作为输入,获得低失真率的含密载体图像,再利用由卷积神经网络组成的解码器从含密载体图像中重构出秘密图像。通过实验表明,该隐写模型相较于之前的工作,针对编码器的结构做出新的改进,在下采样卷积块和上采样卷积块中添加了残差模块提取更加复杂高维的图像特征,以此降低含有大容量秘密信息的载体图像的失真率。（2）提出一种基于生成对抗网络的高安全图像隐写模型（HIGAN）,本文利用生成对抗网络模型的博弈论思想,将改进后适用于彩色RGB图像的隐写分析网络模型判别器,并通过不断地调整训练参数和训练方式,从而有效提升大容量图像隐写模型的安全性。此外,还设计了一种多元损失函数来衡量含密图像与载体图像之间的差异性,在保证含密图像视觉质量的同时,进一步提升图像隐写模型的安全性。最后,大量实验结果证明在大隐写容量下,本文提出的图像隐写模型其安全性获得了明显提升。