互联网技术和智能设备的快速发展给信息传输带来了便利,但信息被窃取的风险也在增加。隐写术是保护信息传输安全的一项重要技术,隐写术将秘密信息隐藏到传输载体,通过传输含密载体实现秘密信息的安全传递。由于图像具有丰富的冗余特性,通常选择图像作为传输载体,图像隐写技术可以实现秘密信息的安全传递和隐藏通信行为的存在,因此受到广泛的关注和研究。传统图像隐写算法通过修改载体图像的像素值实现秘密信息的嵌入,同时设计最小失真函数使得载体图像的修改痕迹最小。随着深度学习技术被应用在图像隐写领域,相比于传统的隐写算法,基于深度学习的图像隐写算法具有更大的隐写容量,但是仍然存在隐写图像不可感知性较差和安全性问题。因此,为了应对大容量隐写存在的挑战,本文的主要研究内容如下所示:（1）研究了一种基于密集连接网络的轻量图像隐写模型,发送端可以实现将秘密图像隐藏到载体图像中,接收端可以从隐写图像中重建秘密图像。隐写网络通过密集连接,使得后面的卷积层可以充分使用前面每一层的特征,通过特征重用更好的隐藏秘密图像。为了应对特征重用导致获得的特征是低级特征的问题,隐写模型增加了预处理网络,以提高隐写网络的效率。实验结果表明,与之前的工作相比较,模型具有较低的参数量,在Image Net数据集上测试,隐写图像的PSNR和SSIM分别为45.385d B和0.989,同时隐写模型具有较好泛化能力,在不同的公开数据上表现出较好的隐写性能。（2）研究了一种基于生成对抗网络（Generative Adversarial Networks,GAN）的安全图像隐写模型。隐写分析与隐写两者是相对的,深度学习优异的特征提取能力同样被应用在图像隐写分析领域。为了应对基于深度学习的隐写分析,基于生成对抗网络的对抗博弈思想,通过对现有隐写模型进行改进,在隐写模型中增加一个隐写分析网络。通过隐写网络与隐写分析网络的对抗训练,从而提高隐写图像的安全性。同时,为了应对秘密图像存在泄露的安全风险,研究了与密码学进行结合的加密安全模型,在隐藏秘密图像前,对其进行置乱加密。实验结果表明,增加隐写分析网络对抗训练后,安全模型得到的隐写图像的安全性获得了提高,同时加密安全模型的密钥参数敏感性达到了10-7。