随着自适应图像隐写术算法性能的不断增强,传统的图像隐写分析算法由于其自身局限性遭遇发展瓶颈,深度学习被引入图像隐写分析研究领域后使得检测性能得到了进一步地提高。但相比于其他领域的图像分类任务,基于深度学习的图像隐写分析算法的检测性能仍然有待提升,此外,在低负载下秘密信息的嵌入信号微弱,极其容易被图像内容所覆盖,导致隐写分析困难,因此如何解决低负载嵌入时检错率高的问题值得关注。本文围绕上述问题,对基于深度学习的空域图像隐写分析算法展开了进一步的研究,主要的贡献可以归纳总结为以下两个方面:1、针对图像隐写术算法的嵌入策略,本文尝试了将注意力机制运用到图像隐写分析领域中。本文提出了一个基于ResNet（Residual Network）进行改进、融合了CBAM（Convolutional Block Attention Module,卷积注意力模块）的新模型ResNet-CBAM运用于图像隐写分析,CBAM是一个可以结合在任意卓越网络中的、即插即用的轻量型模块,它可以强制图像隐写分析网络关注图像中的主体部分,沿通道和空间两个维度强调有意义的特征、抑制没有意义的特征,进一步提高特征图中嵌入信号的表达能力,有利于低负载下的隐写分析。实验结果表明,对于主流的BOSSBase v1.01（Break Our Steganographic System data Base）和BOWS-2（Break Our Watermarking System）数据集,ResNet-CBAM的检测性能超越了传统的图像隐写分析算法max SRMd2（Maximum Spatial Rich Models diagonal 2）和主流的基于深度学习的图像隐写分析模型SRNet（Steganalysis Residual Network）,并且证实了往基于深度学习的图像隐写分析网络中嵌入CBAM可以增强该网络的检测性能,初次展现了注意力机制运用于图像隐写分析领域的发展前景。2、通过分析图像隐写术算法的嵌入特点,本文总结了图像隐写分析算法的优化原则,在此基础上,提出了一个通用的空域图像隐写分析模型He-Net。He-Net基于瓶颈结构和CBAM进行设计,运用高通滤波器组和截断线性单元对训练图像进行预处理,以提高图像信噪比,并且采用全局协方差池化层取代全局平均池化层,保留了特征图的通道相关性,提高了嵌入信号的表达能力。实验结果表明,根据本文总结的优化原则而设计的He-Net进一步降低了图像隐写分析算法的检错率,对于主流的BOSSBase v1.01和BOWS-2数据集,在0.1、0.2、0.3、0.4和0.5bpp（bits per pixel）五种嵌入负载下检测WOW（Wavelet Obtained Weights）、S-UNIWARD（Spatial-UNIversal WAvelet Relative Distortion）和Mi POD（Minimizing the Performance of Optimal Detector）三类隐写图像,He-Net都超越了当前最好的传统图像隐写分析算法和基于深度学习的图像隐写分析方法,取得了最优的检测效果,其中,检测效果在0.1bpp低负载情况下提升明显。