数字图像隐写分析是信息安全领域的重要分支之一,主要用于对抗图像隐写术:一种将秘密信息隐藏在数字图像中的技术。目前,基于内容自适应策略的图像隐写术一定程度上保证了通信内容的安全,对于国家安全、军事和个人隐私等方面具有非常重要的意义,但是,这种技术如果被不法分子利用,必然对社会的稳定和发展产生不良的影响。因此,设计出一种能够更好对抗内容自适应图像隐写术的隐写分析算法也成了该领域的研究热点。近年来,深度学习应用于计算机视觉和自然语言处理等领域,并取得了很好的成果。本文正是在这一背景下,研究如何将深度学习中的卷积神经网络模型应用于数字图像隐写分析,主要进行以下的研究工作:1)在基于绝对值层的卷积神经网络的基础上,提出了基于多级并联的卷积神经网络。这一模型在卷积神经网络的不同卷积层之间加入了快捷连接,快捷连接允许网络中的较浅卷积层中输出的特征图可以直接作为一个支路信息,与深卷积层的特征图进行组合,从而得到信息更全面的特征图,通过同时使用浅卷积层和深卷积层的特征,使得它学习到的嵌入痕迹更准确。最后的实验结果证明了,基于多级并联的卷积神经网络,对比富模型隐写分析算法,在检测性能方面有了显著的提高,甚至在对抗嵌入率为0.4bpp的HILL隐写算法时有4.3%的提升,对比基于绝对值层的卷积神经网络,也有相同的检测水平。2)基于过去图像隐写分析的研究,设计了一种基于多激活模块和并行子网的卷积神经网络。论文从三个角度入手对网络进行设计,第一,对图像采用了不同的预处理方式,可以得到不同的滤除了图像内容的特征图;第二,提出了一种能处理多样化信息的结构,称为多激活模块,通过多激活模块后,上一层的特征会以更多样化的方式出现,多激活模块中的不同的激活函数对特征图有不同的响应,使包含嵌入痕迹的信息在网络不断泛化的情况下得到保留;第三,通过不同网络模型整合与部分参数的预训练提高网络的学习能力。本文最后的实验结果显示,提出的卷积神经网络比起当前的算法有了较大幅度的提升,对比现有的隐写分析网络模型有1.5%到8%的性能提升,并且通过不同的实验证明了这些网络的设计策略是算法检测性能提升的原因。综上所述,本文提出了两种用于数字图像隐写分析的卷积神经网络模型,通过实验验证了这两种卷积神经网络模型能够有效地提高图像隐写分析算法的检测性能,并根据图像隐写分析的研究提出了一些设计网络模型的思路,为论文的研究工作指明了方向。