信息隐藏是通过将秘密信息隐藏在多媒体载体中而不损坏载体质量的技术。由此可以实现在公开信道中传输秘密信息而不被第三方所察觉。与之相对应的是隐写分析技术,通过对载体文件进行统计特征分析判别该文件是否含有秘密信息。随着信息技术的发展,信息隐藏技术从最初的LSB位隐写发展到了目前的自适应隐写,安全性得到了大大提高。同时相应的隐写分析技术也出现了针对性的检测手段,从传统的特征构造机器学习方法到深度学习隐写分析方式。近年来多媒体文件在互联网中传输和交换愈发频繁,隐写载体的选择越来越多,图像成为了目前使用最多的多媒体类型。本文以空域图像和JPEG域图像作为隐写分析对象,进行相关的隐写分析研究:首先,本文提出一种针对空域图像的深度学习隐写分析网络。本文对空域图像的传统特征构造方式进行研究,借鉴噪声残差的量化截断过程,为了得到更有效的特征构造范围,提出了基于自适应参数调整的激活函数PTLU以及自适应量化Q层,通过神经网络的学习进行超参数调整。此外,考虑在自适应隐写过程中采用图像纹理位置作为嵌入点的特性,提出了基于残差特征金字塔结构构造多尺度特征的方式,构建隐写分析网络,同时可以以可视化的方式指导网络的训练。其次,本文在JPEG域图像隐写分析上,先对目前自适应隐写分析方式将DCT系数解压缩到空域的优势劣势进行分析,针对干扰性的块效应及块偏移提出校准图像的解决方式,通过“Xception”基础模块的“2D+1D”卷积计算方式对原始图像和校准图像相关性进行校准学习。借鉴密集型网络架构以及最短路网络架构的优势,提出了密集残差层,使用密集连接的方式实现特征复用,同时用最短路改善梯度消失问题同时加快网络训练收敛。此外放弃了人工构造的高通滤波核使用反向传播的方式自学习高频滤波卷积超参数,利用堆叠3x3卷积比较好地对结果隐写特征进行提取,从而得到效果较好的JPEG域隐写分析网络。最后,本文在模型通用性上进行分析,借鉴了传统的二类分类器SVM和单类分类器SVDD和OCSVM的优势,提出了快速超球体分类算法FC-SS2LM。通过同传统隐写分析通用特征结合可以较好地构造出通用隐写分析模型。该模型在训练样本不均衡的情况下同样能具有比较好的通用性。