图像隐写术将秘密信息藏匿到数字图像中,并通过公共信道传输,实现隐蔽通信。它在提高通信安全性的同时,也极易被不法分子用来窃取机密信息,危害国家安全或社会安定。图像隐写分析作为其对抗手段,对看似正常的数字图像进行梳理,以判断其中是否含有秘密信息。因此,对数字图像隐写分析的研究具有重要意义。传统的基于人工特征的图像隐写分析方法高度依赖特征设计者的经验和知识,特征设计耗时费力,且完备性不足,越来越难以应对先进隐写术的挑战。基于深度学习的图像隐写分析方法可以自动提取特征和训练分类器,实现了端到端的隐写分析,有效克服了人工提取特征的弊端,近年来迅速成为隐写分析领域的研究热点。但该方法也存在着一些不足:它们大多使用KV核预处理输入图像,对预处理层设计的研究相对较少;低嵌入率载密图像检测难;当隐写算法未知或嵌入率未知时,已训练的模型极易出现模型失配现象等。基于此,本论文的创新性工作归纳如下:1.在基于深度学习的图像隐写分析方法的预处理层设计中,为兼顾模型的检测准确率和计算复杂度,如何在种类繁多的候选滤波器中确定最有效的滤波器,被视为NP困难问题。针对该问题,本文提出了一种滤波器集合的优化方法。该方法通过建立残差图像多样性的衡量机制,使用尽可能少的滤波器最大化残差图像的多样性,最终确定了最优的滤波器集合以设计图像预处理层。实验结果表明,该方法在模型检测准确率和计算复杂度之间达到了良好的平衡。2.隐写分析研究通常假设嵌入率已知,而实际应用中并非如此,此时会出现模型不匹配现象,导致检测准确率下降。针对该问题,本文提出了一种嵌入率未知情况下的数字图像隐写分析方法。该方法将迁移学习和多任务学习相结合,利用多任务学习从多个目标任务中学习共享特征的能力,并利用迁移学习为其初始化较优的参数,设计了新的隐写分析框架,挖掘不同嵌入率载密图像共同的特征表达。实验结果表明,所提方法可实现一个模型同时对若干不同嵌入率载密图像的检测。3.在传统多任务学习中,各子任务的权重对模型性能影响极大,且手动调整权重后需要重新训练模型,使得训练过程耗时费力,往往难以找到最优的权重。针对该问题,本文为基于多任务学习的隐写分析方法设计了新的代价函数。该函数引入各子任务的预测误差方差,在优化求解过程中,可动态调整各子任务代价函数的权重。实验结果表明,该方法无需人工调整各子任务的权重即可获得较高的检测准确率。