信息隐藏不同于密码学,其优势在于传递秘密信息的同时还可以掩盖通信秘密过程。大容量图像隐写术作为信息隐藏领域的重要分支,也随着计算机技术的进步成为了研究热点。现有的大容量图像隐写术大多是通过改进网络结构或引入新的模块来改进隐藏和提取效果,但基于现有隐写框架训练得到的模型生成的图像质量仍然有待提升,而且接收方很难判断载密图像是否来自于真正的发送方。针对这些问题,本文通过引入秘钥图像,利用神经网络“过拟合”的特性并结合差分图像叠加方法提出了一种新的图像隐藏框架。基于该框架训练得到的模型可生成质量更高的载密图像和提取秘密图像,且接收方可以轻松地判别载密图像是否来自于真正的发送方。其次,对前文中提出的框架进行优化并通过改进神经网络模型,进一步提升了隐写方案的容量和隐藏效果。本文研究内容可概括为如下两点:（1）针对现有基于深度卷积神经网络（Deep Convolutional Neural Network,DCNN）的图像隐藏框架训练得到的模型,所生成的载密图像和提取秘密图像的质量仍然有待提高的问题,本文提出了一种名为差分图像叠加（Difference Image Superposition Deep Hiding,DISDH）的基于DCNN的图像隐藏框架。首先,通过引入秘钥图像用于“过拟合”训练和差分图像获取,这会使得隐藏模型生成高质量的载密秘钥,但同时会降低载体的可选择性;其次,为了增加这种方案的载体可选择性,发送者使用载密秘钥减去秘钥图像得到差分图像并将该差分图像与一幅新的载体图像叠加得到载密图像。将载密图像通过公共信道传输至接收方;最后,接收者使用接收到的载密图像和原载体图像获取新的差分图像,并将其与秘钥图像叠加后作为提取网络的输入用于获取提取秘密图像。实验结果表明,在训练网络结构相同的神经网络模型时,相较于现有主流的基于DCNN的隐藏框架,基于DISDH训练得到的隐藏模型可以生成与原载体图像相似度更高的载密图像,提取模型可以提取出与原秘密图像相似度更高的提取秘密图像,而且接收者可轻易地判别出载密图像是否来自于真正的发送者。（2）为进一步提升隐藏容量,本文对DISDH进行了改进,将两幅与载体图像尺寸一致的秘密图像嵌入到一幅载体图像中,但是单纯地增加隐藏容量会降低隐藏模型的隐藏效果和提取模型的提取效果。为了解决增大容量给神经网络模型带来的负面影响,本文通过筛选秘钥图像的方式对DISDH进行了改进,同时又对隐藏网络模型和提取网络模型进行了优化。实验结果表明,基于改进的DISDH框架训练优化过的神经网络模型,在增大隐藏容量的同时,还可以保证模型生成高质量的载密图像和提取秘密图像。