隐写术是一种信息隐藏的方式,有利于信息的安全传输,但隐写术的滥用也同样存在潜在的安全问题,隐写分析技术在阻止隐写术的滥用方面起着至关重要的作用。随着隐写术的发展,隐写分析也迎来了新的挑战,传统的隐写分析算法难以有效检测新型隐写术。随着深度学习的发展,出现了许多检测新型自适应隐写术的隐写分析算法。但深度学习的不可解释性和对数据集的依赖性使得训练出的网络可能不是最优的,所以如何设计深度学习网络结构成为一个至关重要的问题。本文对基于深度学习的隐写分析进行研究,提出了一种基于神经架构搜索的深度学习隐写分析模型,主要研究内容包括:（1）提出了一种基于神经架构搜索（Neural Architecture Search,NAS）的隐写分析模型,并根据SRNet（Deep Residual Network for Steganalysis）隐写分析网络结构设计出适用于隐写分析任务的搜索空间,配合基于强化学习的搜索算法,找到了在检测数据集下较优的隐写分析模型。该算法基于注意力机制,是一种使离散空间连续化的可微搜索算法,这种可微搜索算法可以通过下降的训练集损失函数梯度更新特征图权重和通过下降的验证集损失函数梯度更新混合操作中的注意力机制参数(6来进行二次优化,学习出较为适合的隐写分析模型,在此搜索算法下,与一般的基于神经架构搜索算法的隐写分析模型相比,具有更快的搜索效率,在计算和存储资源有限的应用场景中具有一定的优势。（2）在隐写分析模型的一般深度学习模型中,残差结构常出现在前几层用于提取隐写噪声,但随着深度卷积神经网络的出现,网络层数的增多,之前提取到的隐写噪声已经随着频繁的池化操作有所减弱。为此论文提出了一种高跨度的残差结构,这种高跨度的残差结构不仅能保留这些前期提取到的隐写噪声,还能使这些隐写噪声的权重在模型中扩大数倍,使模型更容易检测出隐写噪声。利用这种高跨度的残差结构优化了现有的搜索空间配合可微搜索算法,所提算法的检测性能优于Qian-Net模型和SR-Net模型。