隐写术是一种将秘密信息隐藏在载体中,通过载密图像的传输来达到隐秘通信目的的技术。水印技术与隐写术原理类似,不同之处在于其目的是为了利用嵌入到载体中的水印信息来保护知识产权或进行防伪溯源。传统隐写和水印算法依赖于人工设计的复杂特征,需要设计人员的领域知识和经验积累。近年来,研究者们试图利用深度学习尤其是生成对抗网络(Generative Adversarial Networks,GANs)进行自动化的隐写算法以及鲁棒水印算法的设计,但所设计的算法在信息提取准确率、嵌入容量和隐写安全性或水印鲁棒性、水印图像质量等方面存在不足。因此针对上述问题,本文的主要研究内容包括:首先,提出了一种基于生成对抗网络的新型端到端隐写模型IIH-GAN(Image Information Hiding-GAN)。设计基于SE-Res Net块的编码器和解码器,通过优化网络通道之间的相互依赖性及提高全局特征自动选择的能力,实现更加准确、高质量的信息嵌入和提取;并通过判别器与编码器-解码器的对抗训练,保持载体图像的分布不改变,提高隐写对抗安全性。为解决对真实场景中的真实图像进行解码的问题,我们在编码器和解码器之间添加了一个四舍五入层。为了弥补基于生成对抗网络的隐写在抵抗目前强大的基于深度学习的隐写分析算法检测的不足,我们将对抗样本添加到基于生成对抗网络的隐写模型中。其次,提出了一种基于生成对抗网络的新型端到端鲁棒盲水印模型IRBWGAN(Image Robust Blind Watermark-GAN)。设计基于SE-Res Net块的编码器和解码器以及用于抵抗噪声攻击的可微分噪声层,判别器用于保持水印图像的不可见性。基于编码器,解码器以及判别器和可微分噪声层的联合训练使得水印的鲁棒性大大提高,能够抵抗各种不同类型以及强度的噪声攻击。在噪声层中,本文考虑了丰富多样的噪声攻击类型以及高强度的噪声攻击。对于不可微分的JPEG压缩噪声,提出了一种新型的可微分网络层进行模拟。最后,实验结果证明所设计隐写模型IIH-GAN相对当前方法在性能方面具有较大改善;并且当添加对抗样本时,本文算法被基于深度学习的高级隐写分析模型检测出来的准确率从97.43%降低到49.29%,从而极大提高了隐写安全性。相对于当前基于深度学习的水印方法,不管是针对单一噪声还是复合噪声,以及在抵抗高强度噪声攻击时,我们提出的IRBW-GAN模型在提升水印嵌入容量的同时显著提升了水印图像质量以及水印提取正确率。我们模拟的JPEG压缩网络层更接近真实的JPEG压缩,从而能够实现更好的抵御图像压缩方面的鲁棒性。