现如今,隐写技术日趋完善,各类隐写算法层出不穷,这对隐写分析提出了十分严峻的考验。针对某种具体算法的缺陷进行攻击的专用隐写分析已经无法适应复杂的实际应用场景的需求,因此学者们将研究的热点更多的集中在了通用隐写分析技术方面。传统的方法通常是将特征提取与分类器相结合,对图像进行分类识别。自适应隐写算法的出现,使得特征提取的难度大大提升,这对手工特征设计是一个巨大挑战。深度学习技术的应用使得这一问题得到了解决:利用卷积神经网络,将图像的特征提取过程转化为一个自动学习的过程,使隐写分析更具有普适性。本文在此基础上进行研究,具体工作如下:首先,本文提出了一种新型隐写分析框架,结合自编码器特性,将输入从单一的预处理图像变为多层次的特征图谱,从而有效的降低了预处理操作对隐写特征的影响,使得提取到的特征表达更为准确。实验结果显示,这种方法的使用可以大幅提升隐写检测的准确率。其次,本文在检测到隐写信号的基础上进行了分类识别。将确定为存在隐写信息的图片进行进一步的分析,识别其具体所用的隐写算法类型。使用现有的一些有代表性的隐写算法生成隐写图像样本集,应用深度度量学习并引入了一些经实验验证对识别有帮助的方法,对隐写算法进行分类识别。