随着信息产业的飞速发展,隐写技术的非法应用不断增多,严重危害了国家和社会安全。隐写检测作为一种能够有效检测隐写的技术,对维护国家和社会的安全具有重要的现实意义。深度学习促进了隐写检测研究的发展,基于深度学习的数字图像隐写检测方法的准确性已超越基于特征的数字图像隐写检测方法。但基于深度学习的数字图像隐写检测方法依然存在有待解决的问题。在辅助信息方面,深度学习隐写检测方法的辅助信息来自载体元素值或载体元素被隐写算法修改的概率。通过人工设计的方式,对以上数值进行变换,从而得到辅助信息。其中,来源为载体元素被隐写算法修改概率的辅助信息称为选择信道信息。人工设计的辅助信息产生方式,受限于领域经验,没有充分结合深度学习隐写检测神经网络的特点,未充分挖掘载体中隐写相关信息,对隐写检测的辅助作用有限。在隐写检测神经网络结构方面,深度学习隐写检测神经网络结构复杂、参数量大的特点,使得深度学习隐写检测方法过参数化,从而导致深度学习隐写检测神经网络中存在冗余或无效的卷积核。这种冗余或无效的卷积核限制了深度学习隐写检测神经网络的特征表达能力,影响了隐写检测的准确性。此外,隐写检测神经网络的过参数化导致了深度学习隐写检测方法存在过拟合现象。这造成在实际检测场景中,训练数据与待检测数据的隐写算法存在差异的情况下,深度学习隐写检测的准确性下降,从而限制了深度学习隐写检测方法的实际应用能力。本文针对以上问题,进行相应的研究,并提出了应对方法。具体研究工作包括以下4个方面:（1）提出了针对空域图像的选择信道学习方法。针对当前空域图像隐写检测中,人工设计的辅助信息产生方式,受限于领域经验,没有充分结合深度学习隐写检测神经网络的特点等问题,本文提出针对空域图像的选择信道学习方法,构建了基于学习选择信道感知的隐写检测框架。这是具有自主更新能力的选择信道信息生成方法,能够以端到端的方式,学习选择信道信息的产生方法。基于学习选择信道感知的隐写检测框架包括选择信道神经网络和隐写检测神经网络。两部分一同进行训练。选择信道神经网络生成适合深度学习隐写检测的选择信道信息,隐写检测神经网络利用选择信道信息对输入图像进行隐写检测。针对典型内容自适应隐写算法的检测,与现有方法相比,本文方法对于隐写检测神经网络的检测准确性的提升效果更好。此外,当训练数据和测试数据来源不同,或测试数据的相对嵌入率未知时,本文方法对于隐写检测神经网络检测准确性的提升效果依然高于对比方法。（2）提出了基于CNN（Convolution Neural Network,CNN）的JPEG隐写检测参照图像生成方法。针对JPEG隐写检测中,人工设计的辅助信息产生方式未充分挖掘载体中隐写相关信息,对隐写检测的辅助作用有限的问题,本文从辅助信息的角度,借助深度学习技术,提出基于CNN的JPEG隐写检测参照图像生成方法,以更全面地挖掘JPEG图像中与隐写相关的信息。所提出的JPEG隐写检测参照图像生成方法,直接以待检测图像为输入,利用卷积和反卷积,产生载体对应的参照图像,作为隐写检测的辅助信息,提升隐写检测的准确性。在隐写检测过程中,待检测图像与本文提出方法生成的参照图像一同作为隐写检测神经网络的输入数据。本文构建的用于生成参照图像的神经网络可采用预先优化策略或共同优化策略,保证生成的参照图像对于JPEG隐写检测准确性的提升效果。对于内容自适应隐写算法的检测,本文提出的基于CNN的JPEG隐写检测参照图像生成方法能够将现有JPEG隐写检测神经网络的检测准确率提升1-6个百分点。（3）提出了针对深度学习隐写检测的卷积核重新激活方法。隐写检测神经网络中的冗余或无效的卷积核限制了隐写检测神经网络的特征表达能力,影响了隐写检测的准确性。针对该问题,提出针对深度学习隐写检测的卷积核重新激活方法,增强隐写检测神经网络中对任务贡献微弱的卷积核对隐写检测任务的作用效果,减轻隐写检测神经网络的过参数化现象。首先,在卷积核对隐写检测任务作用效果的衡量方面,结合隐写检测任务的特点,从卷积核权重变化程度和隐写检测特征区分性两方面,衡量各卷积层对于隐写检测任务的作用效果。在卷积核重新激活方式方面,基于滤波器嫁接技术,以单个卷积层为单位进行无效卷积核的重新激活。对比实验表明,本文方法能够提升深度学习隐写检测神经网络的检测准确性。（4）提出了基于对比学习的深度学习隐写检测特征学习方法。隐写检测神经网络存在的过拟合现象,导致对于训练数据之外的隐秘信息嵌入方式的检测准确性下降。针对以上问题,本文利用对比学习,构建了基于对比学习的深度学习隐写检测特征学习方法,探索了隐写检测神经网络对于隐写算法失配检测难题的应对方法,提升了隐写检测神经网络的泛化能力。在预训练阶段,以有监督学习方式对隐写检测神经网络进行训练。在基于对比学习的隐写检测特征表示学习阶段,提出基于JPEG隐写检测校准方法的图像变换方法,并结合检测方已有的隐写算法,将待检测图像从无标签状态转换为有标签状态,并构建正负样本对;将正负样本之间的相似程度和交叉熵损失函数进行结合,设计损失函数,确保对比训练兼顾泛化能力和检测准确性。实验结果表明,本文提出的方法能够提升隐写检测神经网络的泛化能力。本文针对深度学习隐写检测存在的问题,以提升隐写检测神经网络的检测能力为总体目标,从辅助信息、网络参数、隐写检测特征学习等方面,研究增强隐写检测神经网络的准确性和泛化能力的方法,使深度学习隐写检测方法的检测能力和实用性得到进一步增强。