近年来深度学习在许多计算机视觉任务上取得了巨大的成功,例如图像分类和图像处理等。但是,要充分发挥深度神经网络的学习能力并非易事。例如,训练一个优秀的模型往往需要大量的计算资源和高质量的标注数据等。因此一个训练好的模型具有很高的商业价值,并属于模型所有者的知识产权。但是这些模型作为高价值的数字资产不可避免地面临着被窃取的风险,并且在黑盒场景下模型所有者只能获取到被窃模型的输出,而模型的结构和参数是不可见的。因此如何保护深度学习模型的版权成为了保护模型所有者的知识产权和保障人工智能良性发展的迫切需求。解决这一问题的方法就是深度学习模型水印技术。针对适用于图像处理模型版权保护的模型水印方法很少且现存可用方法严重缺乏通用性的问题,提出了一种基于图像水印的模型水印框架,用于图像处理模型的版权保护。根据图像能够在含有水印信息的同时而不产生较大失真的特性,首先利用基于深度学习的图像水印机制在原始训练数据的真实图像中嵌入不可见的水印,然后在嵌入水印后的真实图像构成的训练数据上训练宿主模型。训练完成后该模型就被嵌入了水印,即它能够学会在自己的输出图像中也嵌入不可见的水印。同时该模型在原任务上的性能不会出现明显下降从而保证它的可用性。因此即使在黑盒场景下模型所有者只能获取到被窃模型的输出图像,也能够通过从中提取水印来证明该模型的所有权。实验中选取了超分辨率和去噪两个图像处理任务的各两个模型作为宿主模型。实验结果表明,该基于图像水印的模型水印框架满足保真性、唯一性和鲁棒性要求,证明了其用于图像处理模型版权保护的有效性。针对上述模型水印框架中没有考虑到模型攻击对水印信息的削弱作用的问题,在该框架的基础上提出了基于对抗训练的优化方法。嵌入水印后的模型被窃取后,可能被施加模型压缩或模型微调等攻击来改变模型的参数,从而削弱模型中嵌入的水印信息。为此,在该模型水印框架的基础上添加了对抗训练的过程,即添加一个攻击网络来统一模拟可能出现的模型攻击,并训练水印解码器从攻击网络的输出图像中提取出水印来。实验结果表明,添加了对抗训练后,该模型水印框架的唯一性保持不变的同时鲁棒性得到了显著提升。