图像隐写用于将数字证书、密钥等重要信息嵌入到图像中,从而实现在公共信道中安全地传输,对信息隐藏和隐私保护具有重要作用。随着深度学习的发展,出现了深度图像隐写模型,弥补了传统方法需要手工设计特征的缺点,但是还有一些重要的不足。目前的深度图像隐写模型没有很好地考虑载体图像不同位置像素点的纹理复杂度差异,使得其生成的载密图像在视觉质量上存在颜色和亮度失真。只能处理固定尺寸的秘密信息,且忽略了载密图像存在的数据类型转换或JPEG压缩带来的损失,大大限制了其实用性。本文针对目前深度图像隐写模型存在的不足进行了深入的研究,具体工作如下:1.提出可变尺度的深度隐写分析模型(RMCNN),一个带有残差块的50层卷积神经网络,通过同时优化残差计算、特征提取和分类器提高隐写分析的准确性。RMCNN引入了通过全局池化提取固定维度的统计矩特征的Moment层,从而实现对不同尺寸的图像的隐写检测,为后续的图像隐写模型提供必要的支持。2.提出纹理敏感的可变尺度深度隐写模型(STGAN),将可变尺度的秘密信息(包括图像、文本和二进制数据)隐藏到自然图像。该模型是一个端到端的网络,包含隐写网络、提取网络和隐写判别器三个部分,其中前两个子网络为特征图尺寸不变的全卷积网络,而隐写判别器为RMCNN,故其可以处理不同尺寸的图像。为提升载密图像的视觉质量,提出一个基于纹理的损失函数TL,赋予像素与纹理复杂度成反比的惩罚权重,在纹理丰富的区域嵌入更多信息。为提取网络的鲁棒性,构建包含截断层和JPEG模拟层的噪音层,确保其能从带有相应损失的载密图像中恢复出秘密信息。此外,当秘密信息是文本或者二进制数据时,以二维码为中间载体,不用改变STGAN的结构即可实现可变尺度的信息隐写。3.为了验证STGAN模型的有效性,本文进行了大量实验。STGAN具有较强的鲁棒性,能以任意的自然图像为载体,以可变尺寸的图像和文本为秘密信息,生成视觉质量优异的载密图像,与载体图像之间的SSIM指标大于0.98。当以BOSSbass图像集为载体且嵌入容量为1 bpp时,ATS的检测准确率为0.523,表明STGAN保证了秘密信息的安全性。