隐藏分析是信息隐藏的对抗技术,能检测出可能包含隐藏信息的可疑载体,并进一步拦截﹑检测甚至还原其中的隐藏信息,在网络、通信和信息安全等领域有着重要意义。本文结合了特征挖掘、模式识别、机器学习等相关理论,主要针对音频隐藏分析作了相关研究,主要内容和创新点如下:1.针对位平面隐藏,提出了一种基于统计特征的音频中隐藏信息估计方法。在嵌入位平面未知条件下,对嵌入任一位平面的藏密音频,不仅可以判别是否藏有秘密信息,有效估计信息嵌入的位平面,且能较精确地求得所藏数据量大小。该方法对顺序嵌入和随机间隔嵌入方法均有效。2.针对扩频隐藏,通过分析不同长度下的最佳估计序列及其与载体信号的互相关值,实现了扩频隐藏信息的有效检测。在此基础上,采用遗传算法求解扩频序列长度及序列构成的两变量优化问题,可较好地估计出嵌入时使用的扩频序列,最终实现了顺序嵌入条件下的扩频隐藏信息的还原。3.针对回声隐藏,通过分析音频的滑动窗口复倒谱(SWC,Sliding Windowed Cesptrum),设计了基于复倒谱峰值位置分布特性的特征因子,实现了回声隐藏信息的有效检测。通过对回声延迟、分段长度和同步位置等嵌入参数的估计,实现了一定条件下的回声隐藏信息还原。4.提出了基于主成分分析(PCA,Principle Component Analysis)和支持向量机(SVM,Support Vectors Machine)的音频盲隐藏分析方法。通过PCA分析,选择区分性较好的组合特征参数对SVM进行训练学习,可得到SVM分类器,进而使用该分类器实现隐藏信息的盲检测,仿真实验验证了该方法的有效性。盲隐藏分析研究是隐藏分析的发展趋势,如何从信息隐藏的基本模型着手,深度挖掘更具区分性和稳定性的特征参数,改进系统的自适应学习能力及提高检测及还原正确率,是今后研究工作的重点所在。