随着数字多媒体逐渐成为人们传递和获取信息的主要方式，以数字媒体为载体的现代隐写术得到前所未有的发展。然而，据统计目前隐写术大部分情况下是被应用于非法用途，对网络和信息安全构成极大威胁。因此，作为隐写术的对抗技术，隐写分析日益受到各国政府和科研机构的重视。隐写分析的主要目的是判断媒体对象中是否含有隐藏信息，其技术手段一般是使用模式识别方法，将其视为载体对象与载密对象的二分类问题。隐写分析的一般过程为，先对媒体数据进行隐写分析特征提取，然后使用机器学习方法训练分类器，以此对待测样本进行分类，得到检测结果。　　隐写分析技术近几年虽然发展很快，但是还远不能满足实际应用的需求。主要原因一方面是由于新型隐写术层出不穷，需要不断设计新的特征提取方法;另一方面则是由于受载体内容多样性的影响，隐写分析分类器的鲁棒性和泛化性都有待提高。本文围绕隐写分析中的特征提取和分类等核心问题，充分挖掘局部信息在克服上述问题时的重要作用，开展了以下系统性的研究工作，取得了相关的研究成果:　　1、提出一种基于局部相关模式的图像隐写分析特征提取方法。像素相关性目前被认为是用来进行图像隐写分析的最有用信息。为了捕捉像素间各种不同类型的相关性，我们将局部区域内特定像素间的相互关系看成是一种模式，称之为“局部相关模式（Local Correlation Pattern，缩写为LCP）”。不同数目不同相对位置的像素可以得到各种不同的LCP，反映不同类型的局部相关性。在此基础上，我们提出LCP描述子，统一各种LCP的描述，提取隐写分析特征集。该特征提取方法通过充分挖掘图像像素间的相关性，在检测多种隐写算法上得取得了较好的效果。　　2、提出一种基于运动向量局部时空约束的视频隐写分析特征提取方法。基于运动向量的视频隐写不同于图像领域的算法，其对视频质量影响很小且嵌入的信息可无需视频解码直接从运动向量中快速提取，因此成为视频隐写研究的热点。针对这种隐写，我们通过分析视频多帧运动向量之间的相互关系，发现特定的运动向量之间存在一定的局部时空约束关系，而隐写嵌入会破坏这种约束关系。通过描述和衡量这种约束关系的破坏程度，我们提出一种新的隐写分析特征提取方法，较大提升了检测正确率。　　3、提出一种基于局部学习的隐写分析分类器训练方法。隐写分析问题的难点在于目前常用的特征受载体本身内容影响较大，样本类内距离大而类间距离小。针对这个问题我们提出使用局部学习的方法训练分类器。通过分析局部学习算法的优点及其在隐写分析问题上的适用性，提出了具体的局部学习方案。实验结果表明，相比之前的全局学习方法，所提的局部学习方法具有较好的检测效果，且鲁棒性和泛化性更高。　　4、提出一种面向图像库失配问题的实用隐写分析方法。图像库失配问题是目前图像隐写分析走向实用的主要障碍，其主要原因是由于样本类内变化特别大而训练集又相对较小。针对该问题，我们首先通过使用样本选择策略，构建规模较大的、代表性较好的训练库，然后使用随机子空间方法训练多个基分类器。在融合各基分类器对测试样本进行分类时，考虑各基分类器在局部区域的分类性能，使用动态加权集成方法以提高对测试样本的局部适应性。该隐写分析方法在复杂实验环境下表现出较高的鲁棒性和泛化性。