隐写作为信息隐藏领域一个重要的研究方向,是网络化时代信息隐蔽通信的重要手段。传统的数字图像隐写方法人工设计隐藏位置和隐藏策略,同时隐藏容量普遍较低。近年来,随着人工智能技术的发展,研究人员尝试利用深度学习进行自动化信息隐藏方法的设计,但现有方法仍然在不可感知性、隐藏容量和鲁棒性等方面存在不足。针对此问题,本文利用生成对抗网络（Generatative Adversarial Networks,GAN）,结合自编码器（Autoencoder,AE）、注意力机制（Attention Mechanism）以及隐写分析等理论与方法,设计了鲁棒而安全的图像隐写方案。本文的主要工作如下:（1）首先阐述了通用的图像隐写流程,对隐写的信息嵌入和提取过程分别进行了建模,然后分析和总结了现有的数字图像隐写方法存在的问题,例如在图像视觉质量和隐写容量之间达成均衡性的问题,载密图像遭受不同攻击（裁剪、缩放、像素丢失和JPEG压缩等）时重构秘密信息的鲁棒性等问题。（2）针对现有数字图像隐写方法嵌入容量与不可感知性难以取得平衡的问题,提出了一种基于自编码器和生成对抗网络的数字图像隐写模型。通过预训练自编码器将实际秘密图像转换到潜在特征空间,所嵌信息是真实秘密图像的样本特征信息,有助于实现高嵌入的隐写模型。利用一种经过优化的生成对抗网络将秘密图像嵌入到载体图像中,得到较高感知质量的载密图像,同时设计了包含对抗性训练的提取模型从载密图像中重建秘密图像,保证提取的秘密图像的视觉质量。为了更符合人类视觉系统,本文设计了一种结合L1、L2、MSE和SSIM的混合损失函数,并利用基于VGG-19的感知损失,提高了载密图像和提取图像的真实性。实验结果表明,本模型在LFW、PASCAL-VOC 2012和COCO等公开数据集上的不可感知性和嵌入容量方面表现良好,实现了 44.17db的嵌入效率和39.11db的提取效率,保证了载密图像和提取的秘密图像的真实性。此外,与目前基于载体合成的图像隐写算法相比,本方法不需要创建载体图像库,得到的载密图像更加接近真实的自然图像,且实现了较高的隐写容量。（3）针对现有利用深度学习将秘密数据与载体图像进行融合的隐写方法鲁棒性弱的问题,提出了一种结合注意力机制和对抗学习思想的高鲁棒性数字图像隐写方法。通过注意力机制学习载体图像每个像素数据的概率分布选择嵌入的比特量,将低强度和高强度的消息分别嵌入到图像视觉显著区和视觉不显著区,有助于增强模型的鲁棒性,以抵抗各种图像失真。同时加入了判别器网络和噪声层,将裁剪、缩放、像素丢失和JPEG压缩等噪声引入到编解码架构中,使模型在遭受各种攻击情况下仍能对秘密信息进行鲁棒重构,且模型更容易训练。实验结果表明,在保证载密图像质量的前提下,本算法有更强的鲁棒性,载密图像在裁剪、缩放和像素丢失等多种攻击下仍能以较高的准确率提取出秘密信息,特别是针对缩放和像素丢失攻击下的平均误码率可达0.008。