图像隐写是一种将秘密信息嵌入到图像的元素中而使其不被发现的技术,而图像隐写分析作为它的对立面,其目的是检测图像中是否有被嵌入秘密信息,主要是通过先提取特征再训练分类器的方式来实现。近年来,随着内容自适应的隐写算法成为主流,秘密信息能被自适应地嵌入到图像中内容复杂的区域,使得隐写嵌入的痕迹越来越隐蔽。而为了捕获图像中越来越隐蔽的隐写痕迹,图像隐写分析需要提取的特征越来越复杂,维度越来越高,如何提取丰富有效的特征对研究者来说是一个巨大的挑战。相比手工设计特征的方法,卷积神经网络(Convolutional Neural Network,CNN)不需过度依赖研究者的先验知识就能自动地从训练数据中学习到有效的特征,而且在CNN中,特征提取和分类器的训练这两个步骤通常可以很容易地一起进行优化。为了利用CNN强大的特征学习和表达能力,本文基于CNN对空域图像隐写分析方法进行研究,主要工作如下:1、提出了一种简单的用于空域图像隐写分析的网络结构,该结构主要以一个卷积小块和一个池化层作为构建网络的基本模块,很容易调整和扩展。通过借鉴其它相关基于CNN的图像隐写分析算法的成功经验,该结构能得到很好的检测效果。2、提出了使用CNN来估算选择信道的信息,即图像中各个像素被修改以嵌入秘密信息的概率。同时,设计了一个多任务学习的网络结构以进一步提升图像隐写分析的性能。该网络主要包含图像隐写分析的分支、估算选择信道信息的分支以及二者共用的一个主干网络。在训练过程中让网络同时学习主任务图像隐写分析和辅助任务选择信道信息的估算,主任务能隐式地感知到包含在辅助任务训练信号中的有用信息,继而能获得更强的泛化能力。为验证所提方法的有效性,本文在3种表现优异的隐写算法(WOW,S-UNIWARD,HILL)和6个嵌入容量下进行实验。实验结果表明,本文提出的这两种基于CNN的方法比当前最好的基于手工特征的算法maxSRM都得到更低的检测错误率。