隐写术将秘密信息隐藏在公开载体中传输,以达到隐蔽通信的目的。隐写术的非法使用已对国家安全、军事安全构成严重威胁。研究隐写分析技术对于遏制隐写术的非法使用有重要意义。本文基于卷积神经网络这一典型的深度学习模型,展开了隐写分析技术研究。本文的主要工作如下:1.在分析总结深度学习基本思想、卷积神经网络结构、卷积神经网络训练方法的基础上,提出了基于卷积神经网络的隐写分析框架。该框架中的关键环节包括:划分图像库,即将已有的图像库分为训练图像库和验证图像库,训练图像库用于训练深层卷积神经网络,验证图像库用于在训练中检测当前网络的训练效果;构建网络结构,即依据隐写分析任务的特点构建卷积神经网络结构,结构包括预处理层、针对隐写特点的处理层、常规卷积模块、全连接层和Softmax层等;训练深层网络,即根据目标函数和特定的训练算法优化网络中的权值参数,使网络判决更精准;基于卷积网络的隐写分析,指出基于卷积网络实施隐写分析应分为同源和非同源两种情况,在同源情况下,针对隐写特点设置随机子空间处理和子区域联合判决等策略,用以实施隐写分析,在非同源情况下,采用生成匹配图像、卷积网络特征提取等策略实施隐写分析。2.针对已有的基于深层神经网络的隐写分析方法与隐写特点结合不够紧密的问题,提出了基于随机子空间的卷积网络的隐写检测方法。该方案重点设计了基于随机子空间的卷积网络结构,利用所设计的网络直接实施隐写检测。网络结构中,使用富模型类特征的提取方法预处理图像,该处理方法首先采用多种高通滤波模板处理图像得到多种残差图,然后再计算残差图的共生矩阵,多个共生矩阵数据组合成为富模型类数据,此过程构成深层卷积神经网络的预处理层;分析得出FLD集成分类器对输入数据的处理等同于一个三层神经网络,以卷积神经网络建模FLD集成分类器,在此基础上设计随机子空间处理模块,该模块作为网络的浅层部分,包括一个Randomdata层,一个卷积层和一个ReLU非线性激活层;进一步加深网络结构,拓展了深层处理模块;使用一个分类模块作为网络的输出模块,该模块包括一个全连接层和一个Softmax层,输出所输入样本属于某种类别的概率。3.针对已有的基于深层神经网络的隐写分析方法对当前安全性较高的自适应隐写算法隐写分析正确率仍然不够理想的问题,提出基于子区域联合判决的卷积网络隐写检测方法。理论分析得出,隐写分析与计算机视觉的一点不同是,任何一个图像子区域均可以构成一个有效样本。基于此,对一幅待判决图像进行分割以构建多样化的子样本图像。分割得到的各个子样本图像通过训练后的深层卷积神经网络形成多个子决策,对所有子决策使用多数投票法联合判决得到最终的判决结果,子样本图像的多样性确保了联合判决正确率的提升。为了提升所提方法的判决时间效率,分析得出任意一个图像子区域均可以映射为网络各层特征图中的一个子区域,进而提出一种用于判决的基于全卷积网络的并行加速策略,该全卷积网络将训练阶段使用的网络的最后一个全连接层改为卷积层,其余各层保持不变。4.针对已有的基于深层神经网络的隐写分析方法尚未考虑载体源适配的问题,研究了面向载体源失配的卷积网络隐写分析,提出一种基于卷积网络的去失配方案。理论分析得出载体源失配场景下已有方法判决正确率下降的原因是受到了图像内容的干扰,已有的残差滤波方法不能完全消除图像内容对隐写分析干扰。所提方法基于训练后的卷积神经网络,在判决中使用高斯低通滤波器处理待判决图像,去除可能存在的隐写信号并产生一幅与待判决图像具有相似图像内容的匹配图像。使用既定的隐写算法对匹配图像实施隐写嵌入,得到匹配图像的载密图像。待判决图像、匹配图像和匹配图像的载密图像分别通过训练后的卷积神经网络,取该网络的倒数第二层神经元取值作为隐写分析特征,得到待判决特征、匹配特征和匹配载密特征。分别计算匹配特征与待判决特征的相似度、匹配载密特征与待判决特征的相似度,依据两个相似度的高低得到最终判决结果。提出两种相似度计算方法,分别为内积法和带权重的卡方差法。所提隐写分析方法不仅可以用于隐写检测,还可以用于隐写算法识别,在隐写算法识别任务中可以对训练中未知的隐写算法进行识别。