作为信息隐藏的一个重要分支,隐写术是将秘密信息嵌入到公开的多媒体文件中,不引起怀疑传递信息的技术,因其独特的保密性而备受信息安全领域相关学者的重视,而图像隐写术是其中的重点研究内容。设计多样化,高安全性,高嵌入率的图像隐写算法是信息安全领域的关键问题。本学位论文将在已有的最小化嵌入失真理论框架下,先对现有的隐写算法代价函数进行相应的改进,其次,重点研究使用深度学习进行隐写算法的设计。论文的主要工作和创新点如下:(1)使用最大值滤波器对隐写代价滤波,使修改位置更集中的代价扩散方法。目前的代价扩散方式主要是通过平均值滤波,虽然能使相邻像素的代价更加接近,但依然不是特别理想。本文通过使用最大值滤波器对代价进行滤波,能使得相邻像素的代价十分接近,甚至相等。实验结果表明,利用最大值滤波,信息嵌入修改的区域更加紧凑,并集中在纹理特别丰富的区域,能显著提高目前大多数算法的抗隐写分析能力。本文得出像素隐写安全性是由该局部区域内最不安全的像素点决定的结论,结合该结论对代价函数进行改进,再次提高了它们的安全性能。(2)提出使用深度学习进行隐写优先权判断的隐写方法。该方法采用卷积神经网络判断像素是否适合隐写,分两步完成。第一步先建立合适的训练图像库,模拟载体和载密图像,再利用该图像库训练一个分类的卷积神经网络,该网络实际是一个特殊的隐写分析网络。第二步通过对载体每个像素都建立和训练库一样的图片,输入到训练好的网络进行分类,通过输出的分类概率判断载体像素是否适合隐写,再给每个像素分配合适的隐写修改代价,最后在最小化嵌入失真框架下实现信息的嵌入。该方法利用隐写分析的思想来进行隐写,实验结果表明,本文提出的基于深度学习的隐写算法,可以自动提取图像的纹理特征,进而判断每个像素隐写的安全程度,因此在对抗多种隐写分析方法时,表现出更加优秀的安全性。