近年来,随着网络技术的不断发展,互联网越来越深入到人们的日常生活中,并且网络信息安全问题也越来越受到人们的重视。另一方面,以卷积神经网络与生成对抗网络为代表的深度学习技术近些年发展迅速,并且在计算机视觉、语音识别等众多领域取得了重大的成功。信息隐藏是解决网络信息安全问题的一种重要手段,它在保护秘密信息的同时还隐藏了传递过程,有着一些特殊的应用领域。信息隐藏技术与隐写分析技术是相互对抗、相互促进的关系,好的隐写分析器能找出信息隐藏算法中的缺点并帮助提出更好的信息隐藏技术,这与生成对抗网络判别器指导生成器训练的思想高度一致。本文根据生成对抗网络的特点,研究基于生成对抗网络的信息隐藏技术。本文的主要研究工作和创新点如下:1.提出了一种基于GAN的信息隐藏算法IHGAN。本文使用WGAN-div的损失函数,克服原始GAN难以训练的缺点,同时使用Dense Net构造网络,以减少网络参数并加速网络训练。实验结果表明,本方法能够自适应地在载体图像中隐藏数据,而且相比已有隐藏算法0.4bpp的嵌入容量,IHGAN能够将嵌入容量提升至3bpp的同时还能保持载密图像不失真,嵌入容量为1bpp时仍然能有效地抵抗隐写分析器的检测。2.提出了一种基于加密机制的信息隐藏算法Secure-IHGAN。当前,包括IHGAN在内的基于深度学习的信息隐藏算法中都包含一个自动编码器,其以载密图像的安全传输为前提,没有考虑传输过程中的安全问题。针对这个问题,本文通过在IHGAN的自动编码器中加入加密密钥并增加一个窃取秘密消息的判别器,通过使用对抗训练的方式使得IHGAN学会对秘密消息进行加密。实验结果表明,IHGAN经过训练后学会了如何加密信息,只有拥有加密密钥的解码器才能完整正确地提取出秘密消息,而未拥有加密密钥的判别器则不能。同时,即使Secure-IHGAN的嵌入容量高达3bpp,它生成的载密图像也并无视觉上的失真。实验表明Secure-IHGAN模型在保持原模型良好的信息隐藏效果的同时也保证了消息的秘密传输。3.提出了一种基于GAN的数字水印算法Robust-IHGAN。数字水印是信息隐藏的一个重要分支,主要强调算法的鲁棒性以及隐写容量。本文受去噪自动编码器思想的启发,在IHGAN中加入一个噪声层去模拟载密图像在传输过程中可能会遇见的几种图像失真,以提高模型的鲁棒性并增加解码器提取信息的正确率。实验表明经过训练后,加入噪声层的Robust-IHGAN模型在面对像素丢失的情况时,解码准确率在90%以上;解码具有高斯噪声的载密图像时准确率高达98%;即使经过复杂的JPEG压缩后的载密图像,Robust-IHGAN模型依然有80%的解码准确率。实验表明Robust-IHGAN模型能够有效地抵抗噪声层中设计的噪声,具有较强的鲁棒性。