当今时代,人们在互联网中产生的数据在以每18个月翻一番的速度迅猛增长,其中占据最大比例的数据形式是图像。在巨大网络资源涌入的背景下,人们也面临着信息安全的巨大挑战。以图像为主要数据载体的信息安全相关研究已经受到了广大研究者们的关注,其中一项重要的研究工作就是以图藏图。以图藏图技术是把需要隐藏的大容量信息分散、嵌入和融合到另一张载体图像中的隐蔽通信技术。该技术的发展得益于近年来快速兴起的深度学习。以图藏图技术相比较于传统的基于手工失真函数设计的信息隐藏方法有着巨大隐藏容量的优势。目前,几乎所有的以图藏图方法都是通过自编码器架构直接重建含密图像。然而,这类方法所得到的含密图像往往视觉质量偏低,容易产生失色、模糊等现象,而且难以对隐藏图像高精准恢复。本文通过对以图藏图问题的深入研究,发现以图藏图任务的本质是解决一个带条件的最优化问题。导致含密图像质量偏低有以下两方面原因:第一,直接重建含密图像的方法是从巨大的解析域中求解优化问题;第二,信息在图像中的隐藏和提取是一个互相干扰的过程。为了解决上述问题,本文从以图藏图任务和深度学习技术两个角度进行探索,提出了改进的深度以图藏图方法,详细的研究成果如下:（1）本文提出了基于残差学习的以图藏图算法框架。通过其他计算机视觉研究领域的先验知识,本文把以图藏图任务重新定义为在载体图像上附加上残差图而不是直接重建和恢复含密图像。（2）根据基于残差学习的以图藏图算法框架,本采用全局残差连接和局部残差块组合的方式构建网络架构,称为Res Hiding-Net。此外,该方案还提出了新的基于离散余弦变换的注意力机制,使得隐藏图像能够更高效地分散到载体图像中,从而进一步提升含密图像的视觉质量和隐藏图像的恢复精度。（3）根据基于残差学习的以图藏图算法框架,本文提出了基于残差学习的以图藏图网络的第二个实现方案,即结合Swin Transformer和U-Net的以图藏图网络SU-Net。该方案一方面通过自注意力机制对CNN的局部性感受野进行信息补偿;另一方面,网络通过协作式迭代训练策略,使得整个隐藏和恢复网络能够更加针对性地完成对应的工作。