图像隐写作为信息隐藏的重要方法,其主要思想是将信息以隐蔽的方式嵌入到图像中并且不改变图像本身特性,受到信息安全领域的广泛关注。传统图像隐写算法的设计需要依赖研究人员深厚的先验知识,给算法设计及应用带来诸多困难。深度学习的出现打破了这一壁垒,研究人员将深度学习与图像隐写相结合,推动图像隐写研究取得了飞速发展。然而,现有的图像隐写模型仍存在生成图像质量较差、透明性不足、信息提取准确率较低和抗噪声攻击能力弱的问题。并且,随着隐写分析算法检测性能的不断提升,对模型的安全性造成巨大威胁。为此,本文基于GAN和注意力机制进行了图像隐写研究,主要研究内容概括如下:（1）针对现有模型存在生成的含密图像质量低、解密图像与原始图像之间差异大和抵抗隐写分析算法检测能力不足的问题,提出了一种基于GAN的多尺度特征融合图像隐写模型MFISGAN（GAN-based image steganography with multi-scale features integration）。首先,构建了秘密图像特征提取网络（Sfe Net）和编码网络,实现秘密图像和载体图像多尺度特征信息的提取与融合。其次,引入隐写分析算法作为判别网络,使用WGAN-GP优化目标函数交替更新编码网络和判别网络参数,以此模拟二者之间的对抗,提高模型抵抗隐写分析算法检测的能力。最后,结合感知损失、MS-SSIM和L1损失提出新的混合损失函数。实验结果表明,与现有模型相比,MFISGAN有效提高了图像质量和模型的安全性,含密图像的平均PSNR和SSIM分别达到了42.95d B和0.9887,隐写分析算法检测的准确率下降了20%以上。（2）针对现有模型生成的含密图像抗噪声能力不足和标记信息提取准确率低的问题,提出了一种基于注意力机制的抗噪声鲁棒图像隐写模型AN-RISNet（Anti-Noise robust image steganography network based on attention mechanisms）。设计了融合注意力机制和残差网络的多种基本模块,并以此为基础构建了预处理网络、编码网络和解码网络。其中,预处理网络对标记图像进行通道扩张和尺寸变换,以增加标记信息的冗余空间;编码网络和解码网络则完成标记图像的嵌入与提取。此外,在编码网络和解码网络之间加入模拟噪声层,利用编码-噪声-解码的联合训练使生成的含密图像能够抵抗多种强度、多种类型的噪声攻击。最后,在损失函数中引入二元交叉熵衡量标记信息嵌入前后的损失。实验结果表明,提出的AN-RISNet面对不同类型、不同强度的噪声攻击时,生成的含密图像平均PSNR和SSIM分别超过了40d B和0.98,标记信息的平均提取准确率超过90%。（3）根据本文的研究内容,设计并实现了图像隐写系统。系统包括两大模块:隐秘通信和版权保护,并将MFISGAN和AN-RISNet模型应用于系统中,实现信息的嵌入与提取。