随着网络通信技术的飞速发展,互联网已经成为最主要的传输信息的渠道。数字图像作为一种信息的传输载体,被各行各业所广泛使用。为了保证信息在网络上传输的安全性,防止传送的信息出现泄露,研究数字图像信息隐藏算法变得愈加重要。针对现有数字图像信息隐藏研究中存在的问题,本文开展了如下三方面的研究:(1)现有的基于深度学习的模拟JPEG压缩网络存在“不能模拟不同质量因子的压缩”以及“没有考虑损失函数的约束”等问题。因此,本文提出了一个改进的模拟JPEG压缩网络,利用损失函数对网络进行训练,并且能够模拟不同质量因子的JPEG压缩。通过实验展示了所提出模拟JPEG压缩网络的性能。(2)现有的基于深度学习的数字图像大容量隐写算法存在着以下问题:(a)隐写图像出现颜色失真;(b)没有考虑或者只考虑抵抗隐写分析、噪声、滤波等攻击中的一种。对于问题(a),引入Inception模块对网络结构进行优化并且只在彩色图像蓝色通道隐写。对于问题(b),加入了隐写分析网络和噪声、滤波、JPEG压缩等攻击网络层,通过对抗学习增强算法的安全性和鲁棒性。从而,提出了一个基于对抗网络的大容量鲁棒隐写算法。通过在Image Net数据集上的实验结果表明算法的不可见性、安全性以及鲁棒性方面优于现有的算法。(3)现有基于深度学习的数字图像水印算法存在着以下问题:(a)设计的网络不是一个端对端的网络;(b)没有模拟JPEG压缩攻击网络或者模拟的JPEG压缩网络精度不高。对于问题(a),采用不同步长的卷积和反卷积实现水印嵌入,采用卷积网络实现水印提取,同时在水印提取前插入攻击网络层,最终形成一个端对端的学习系统。对于问题(b),结合(1)中模拟的JPEG压缩网络以及高斯噪声、高斯平滑等攻击,通过对抗学习增强算法的鲁棒性。提出了一个基于对抗网络的数字图像水印算法。通过实验验证了所提算法在不可见性以及鲁棒性方面优于现有的水印算法。