在信息社会,图像是常用的隐写载体之一,非法组织也常用隐写技术来传递消息,这为国家安全与社会安全埋下了隐患。为维护国家安全,很多学者致力于隐写分析技术研究。图像隐写分析是通过分析样本图像的特性,寻求图像特征被修改的可能性,进而判别样本是否携带秘密信息。而为了提高隐写分析的准确性,借用深度学习来设计隐写分析算法已经成为当下的研究热点之一。传统隐写分析方法是通过人工设计图像特征的提取方法,最终通过训练特征分类器对样本进行分类,从而判断样本图像是否为含密图像。而采用深度学习的隐写分析算法则是将图像特征的提取、分类器的训练及分类器的判别输出等集成到深度学习网络中,分类的准确率及效率更高。现有的基于深度学习的隐写分析算法多是针对图像某一域隐写算法来设计分析网络,但待测样本被嵌入秘密消息的域在实际操作时是未知的,因此往往需要用多个针对不同域的隐写分析算法进行分析才能获得较高置信率的判别结果,导致实际隐写分析工作量较大,置信度不高。因此为降低工作量,提高隐写分析的效率,本文设计并构建了基于深度学习的通用性隐写分析算法,该算法运用并行构架,并对YeNet进行了改进及优化,使得深度学习网络对多种域的隐写分析算法都具有较好的隐写分析能力,能够通过一次隐写分析的结果达到较高的判别置信率。本文主要工作如下:1.为了提高基于深度学习的隐写分析算法的通用性,通过研究图像空域像素值与JPEG域量化DCT系数的关系,注意到空域像素分布与JPEG（Joint Photographic Experts Group）域的DCT系数分布具有某种相关性,因此对网络进行了改进。优化后的主网络主要用于学习空域像素分布特性,并增加了一个用于学习量化DCT系数的分布特性的基于JRM（JPEG域富模型,JPEG Rich Model）的并行子网络。生成的特征图最终通过concat函数与主网络特征图联合。实验结果证明,该并行子网络能够提高算法的通用性,使得算法对于空域与JPEG域隐写分析都具有较好的准确率。2.为了提高算法的准确率与效率,通过研究全连接层与全局平均池化层的关系对YeNet进行了优化,将YeNet中的全连接层替换为全局平均池化层,因此降低了网络在中小数据集情况下过拟合问题发生的概率,有利于提高网络的效率与准确率,使得分类判别的置信率更高。3.通过从公共图像数据集中选取部分图像作为数据集,对本文构建的隐写分析算法进行了性能测试与对比,并对隐写分析的结果进行了数据分析。实验结果表明本文网络在空域及JPEG域隐写分析均具有较好的性能。因此该隐写分析网络具有通用性,且隐写分析时总体耗时较原先算法有较多提升,使得本文的隐写分析算法具有更高的效率。