随着互联网的普及以及信息技术的快速发展,隐写术和隐写分析引起了信息安全领域的广泛关注。隐写术的主要目的是将秘密信息隐藏于其他信息载体中并进行传输;相对应地,隐写分析是对隐藏信息进行成功检测。传统的隐写分析方法一般包括特征提取和分类器训练两个步骤。在这两个步骤中,特征表达是关键,对检测性能起到决定性作用。在过去十几年的研究中,特征表达主要依赖于人工设计,其基本思想是找到隐写操作前后信息载体中具有明显差异的特征统计量。换句话说,传统的隐写分析技术需要依赖大量的先验知识才能设计有效的特征表达,这一过程需要耗费大量的人力物力。近年来,随着以深度学习为代表的人工智能技术的再度兴起,基于深度学习的隐写分析方法纷纷被提出。相比于传统的隐写分析技术,基于深度学习的隐写分析可以通过大量训练数据直接获得隐写特征。然而,基于深度学习的隐写分析在带来新的发展机遇的同时,也面临诸多挑战。比如,由深度学习模型获得的隐写特征判别性不足,造成隐写信息难以充分检测;现有基于深度学习的隐写分析模型的灵活性不足,无法适用于不同尺度的信息载体。为此,本文重点研究基于深度学习的空域图像隐写分析方法,从隐写特征以及隐写模型两个方面入手,解决困扰基于深度学习的空域图像隐写分析技术的特征判别性不强、模型灵活性不高的顽疾。本文的主要工作如下:（1）在图像隐写分析任务中,经常需要提取图片的残差,其中残差值的正负对应了隐写信息的正负,对于模型而言,正负都发挥相同作用,这不同于传统的计算机视觉。因此,针对隐写分析任务,应该选取对称结构的激活函数,以保证模型对正负信息具有相同的判断。以此为基础,本文分析比较了高斯核函数、线性整流函数等激活函数对隐写分析模型的影响,并通过实验对比找到最适应于隐写分析模型的激活函数——线性截断函数。通过在BOSSbase、BOWS2和AUG数据集上进行3种常见隐写算法的嵌入构建数据集,并将基于线性整流函数的隐写分析模型作为基准模型进行实验对比,以验证基于线性截断函数的隐写分析检测性能。实验结果表明,本文方法较其他激活函数方法具有更低的检测错误率以及更快的收敛速度。（2）在现实应用需求中,图像隐写的载体是任意分辨率的,而现有的深度隐写模型只能实现单一分辨率训练以及单一分辨率检测。因此,本文针对深度隐写模型无法适用于不同分辨率的图像载体的现实问题,将空间金字塔池化引入隐写分析模型中,提出了一种基于选择性通道感知的多分辨率空域图像隐写分析方法。通过引入空间金字塔池化,将不同分辨率的图像池化到同一个尺寸上;此外,利用选择信道作为载密图像的先验知识,融入到深度神经网络中,使得深度神经网络可以更准确的对载密图像进行分析,预先筛选出大概率进行隐写的图像区域。实验中,将所提出的基于选择性通道感知的多分辨率空域图像隐写分析方法与经典的空间富模型、最大空间富模型、基于线性截断函数的空域图像隐写分析等方法在隐写数据集上进行了对比分析,结果表明引入选择信号可以让隐写分析模型在不同嵌入率下的检测准确度均获得较大提升。