图像隐写检测是一种在图像中发现秘密信息的技术。随着信息技术的发展,图像隐写检测方法提取的特征维数愈来愈高。高维的图像隐写检测特征虽然在一定程度上提高了检测精度,但其中包含一些不相关或冗余信息,这不仅会带来庞大的计算和存储开销,还会给分类器的训练带来困难。图像隐写检测特征选择则是针对该问题从高维特征中剔除不相关和冗余特征,在不影响检测精度的同时减少时间复杂度。然而,目前图像隐写检测特征选择方法大多是针对灰度图像展开的,对于应用更为广泛的彩色图像却鲜少有所研究。因此,本文将针对彩色图像隐写检测特征选择展开研究,主要研究内容如下:（1）粗糙集理论主要适用于离散型数据,彩色图像隐写检测特征作为连续型数据若使用粗糙集需进行离散化操作,这会造成信息损失,降低检测精度。因此,本文提出了一种基于模糊邻域条件熵的彩色图像隐写检测特征选择方法。首先,利用Fisher score计算彩色图像隐写检测特征的重要度进行初步降维,得到预处理子集;其次,考虑到模糊邻域决策信息系统能很好地处理连续性数据,将其应用到彩色图像隐写检测特征中构建彩色图像隐写检测模糊邻域决策信息系统,提出模糊邻域条件熵,作为彩色图像隐写检测特征选择的度量指标;最后,设计了一种基于模糊邻域条件熵的彩色图像隐写检测特征选择算法以获得最终约简子集。实验结果表明,与CGSM、Steganalysis-α方法相比,所提方法能在进一步提高检测准确率的同时有效降低特征维数。（2）在特征选择中,传统的信息论方法将特征相关性和冗余性进行分割判断,导致无法判断整个特征子集的组合效应。因此,将相关信息熵引入到彩色图像隐写检测特征选择中,提出了一种基于信噪比和相关信息熵的彩色图像隐写检测特征选择方法。首先,使用信噪比度量彩色图像的每一维隐写检测特征对样本分类的贡献度,去除不相关特征获得预处理子集;然后,利用相关信息熵度量彩色图像隐写检测特征之间的独立性和冗余程度从而设计了一种特征排序算法,并利用集成分类器剔除冗余特征,以得到最终约简子集。实验结果表明,与C-FNCES、CGSM和Steganalysis-α隐写检测特征选择方法相比,所提方法在进一步提高检测精度的同时有效降低特征维数。