随着深度学习引入信息安全领域,原本陷入瓶颈的空间域图像信息隐藏和隐写分析学科又飞速发展起来,近几年涌现出多篇优秀研究成果。但是,由于深度学习的不可解释性和对数据集的依赖性,对于深度学习隐写分析算法来说,训练数据充足时,有关用于深度学习自动提取的隐写特征定量衡量的指标缺失,导致模型优化修改不够客观有量化指标;训练样本不充足时,未知隐写算法使用迁移学习训练过于主观,缺乏根据指标。因此,本文着眼于空间域图像,对近几年内基于深度学习隐写分析算法和空间域自适应隐写算法的成果进行梳理、总结。结合实际,从两个不同的角度（两个优化方式彼此并列）优化现有算法。论文的主要贡献如下:（1）从优化特征的角度,提出用平均变异系数衡量卷积神经网络隐写分析算法特征表达能力。该指标基于“特征具有聚合同类样本的能力”的思想,计算模型每个特征聚合同类样本的能力（变异系数）进而得到模型所有特征的平均变异系数来衡量模型特征学习表达能力,弥补当前定量衡量标准缺失问题。实验证明隐写分析算法的载密样本特征平均变异系数排名与准确率置信区间排名一致,后通过单个特征变异系数排名对不同隐写分析算法提取的特征进行筛选,去除一些表现不好的特征,对特征集进行微调,实现了算法准确率的提升,进一步证明了该指标的有效性。（2）提出了利用迁移学习方法优化同类型信息隐藏算法的检测训练。该方法主要利用了参数共享方法和同系列信息隐藏算法具有相似的数据先验分布的特点。该方法在不同算法间寻找相似点,成功在不同算法间实现了迁移学习,优化了检测训练。两个方法从不同的角度对现有研究结果进行一定的优化。