随着互联网技术与多媒体技术的快速发展,信息安全问题逐渐受到人们的广泛关注。隐写术作为一种信息隐藏技术,能通过对载体嵌入秘密消息来实现通信安全。但是,一些非法隐写者可能企图利用隐写术传播秘密消息,隐藏在众多用户中,实现隐蔽通信。因此,研究隐写者检测,对监控非法团伙之间的通信具有重大意义。目前,现有的隐写者检测方法依赖于有效的人工设计特征,但在隐写者检测任务中,隐写者所使用的隐写术和嵌入率是无法事先得知的,这些未知参数加大了人工设计特征的难度,给隐写者检测带来了严峻挑战。此外,现有的隐写者检测方法无法根据图像内容自适应地提取有效特征来检测隐写者。针对隐写者检测的主要挑战,本文基于深度学习对隐写者检测方法展开研究,从特征学习的角度设计通用的隐写者检测算法,主要工作和创新点如下:1.本文提出一个基于多分类扩张残差网络的隐写者检测算法,通过残差学习和扩张残差学习,网络模型能在较大感受野范围内有效地保留微弱的隐密信号,自动学习提取具有区分力和表达力的特征,实现通用地检测隐写者。其次,利用多分类学习策略,将不同嵌入率的载密图像进行区分,从而有利于将低嵌入率的载密图像从载体图像中区分开来。实验结果表明该方法能够在空域和频域中取得较低的检测错误率,与目前现有的隐写者检测方法相比,该算法不仅具有跨隐写术和跨嵌入率的鲁棒性,也比其他方法获得更好的检测性能。2.本文提出基于嵌入概率估计深度网络的内容自适应选择性策略隐写者检测算法。在未知隐写术和嵌入率的前提下,本文提出一种新颖的基于学习的自动估计图像嵌入概率图的模型,能有效预测图像中每个像素点被嵌入隐密信息的概率。通过结合嵌入概率估计图,多分类扩张残差网络能根据图像内容自适应地获得具有区分力和表达力的特征。最后基于选择性策略,该模型能自适应选择一部分最可疑的图像代表每个用户。实验结果表明嵌入概率估计图对不同隐写术和嵌入率具有泛化性,并且提出的内容自适应隐写者检测方法在低嵌入条件下取得目前最好的检测效果。