隐写算法研究领域中,大多数学者更多地关心数字图像隐写中发送和接收的阶段,即关心如何加强载密信息的不可感知能力,但忽略了载密图像在传输过程中可能发生的失真对接收方能否正确提取秘密信息产生的影响。而接收方能否在发生失真变换下正确提取出秘密信息,是由载密图像的健壮性决定的。在隐写分析领域,基于神经网络的方法在准确率方面普遍比“特征提取+分类器”的传统方法的准确率高,但神经网络的方法严重依赖输入图像的尺寸,且分类准确率依赖图像隐写算法,若在测试中输入与训练阶段所用不同隐写算法的载密图像,神经网络的分类准确率无法达到预期。针对以上在隐写算法和隐写分析研究中存在的问题,本文在分析JPEG压缩算法和常用缩放原理的基础上,提出基于损失差的抗压缩空域图像隐写方法,基于定向三次卷积插值的频域抗缩放隐写方法,并提出基于异构核的深度残差网络隐写分析方法。本文主要工作如下:1.提出基于损失差的抗压缩空域图像隐写方法。首先分析空域图像经过压缩后的改变并对隐写产生的影响。方法以HUGO,WOW和SUNIWARD失真函数为例计算嵌入代价,结合STC编码,将秘密信息嵌入载密图像后,计算载密图像在转换格式过程中发生有损压缩前后载密图像像素的变化,把压缩过程中的损失预先写入载密图像,生成新的载密图像,确保空域隐写图像在压缩后依旧能正确提取秘密信息。实验表明,方法在保证抗隐写分析能力的同时,载密图像在发生压缩变换后,接收方在预知压缩品质下依然能以90%的正确提取出秘密信息。2.提出基于定向三次卷积插值的频域抗缩放隐写方法。首先分析频域图像经过缩放后的改变并对隐写产生的影响。方法以UED和JUNIWARD算法为例,将失真函数与STC编码结合嵌入秘密信息,然后计算插值点在四个方向上的边缘方向,对像素点进行插值,确保频域隐写图像在缩放后具备正确提取秘密信息的能力。实验表明,方法在保证抗隐写分析能力的同时,载密图像在发生缩放变换后,可将接收方提取秘密信息的错误率控制在30%以下。3.提出和基于异构核的深度残差网络的隐写分析方法。首先介绍富模型,深度残差网络和异构核。该隐写分析方法将载密图像输入网络之前应用富模型生成特征矩阵,而后由特征矩阵作为异构核深度残差网络的实际输入。保证了隐写图像始终以确定的尺寸输入网络,且提升了神经网络的泛化能力。实验表明,方法在空域隐写和频域隐写上均具有较高隐写分析准确率,且网络参数低可快速训练得到,在多隐写算法的交叉试验中表明方法具有较强的泛化能力。