隐写术和隐写分析是当前信息隐藏领域中重要研究热点。隐写术的滥用造成不少的安全隐患,如:商业犯罪分子利用隐写技术完成隐蔽通信来实现信息盗取。图像隐写术是一种通过修改数字图像的复杂区域来嵌入秘密信息以达到隐蔽通信目的的技术,但由于隐写术的特殊性导致其可能被用于非法领域,因此研究隐写分析技术对维护信息安全具备重要的研究意义和实用价值。隐写分析技术按照其技术基础分为基于人工特征的隐写分析方法和深度隐写分析方法两种,其中基于人工特征的隐写分析模型由于其需要大量的启发性知识和设计滤波核,而基于深度学习的隐写分析方法利用网络强大的表征学习能力可以完成提取图像统计特征,利用大量可学习的参数来代替人工设计。因此,为了解决现有深度隐写分析方法的高冗余与慢收敛等部署方面问题,本文通过研究各种轻量化深度学习网络和先验知识决策理论,构建基于深度学习的图像轻量化隐写分析模型,实现保证模型检测精度同时,进一步减少模型中参数和缩短模型拟合时间。本文的研究内容如下:（1）为了实现隐写分析的快速拟合减少收敛时间,首次提出了一种基于嵌入概率图的轻量级隐写分析模型（CNet）,实现了在参数较少的情况下达到比其他模型更快的收敛速度。首先,利用基于像素级别的语义分割模型并将其应用在提取载体图像的嵌入概率图;然后,采用伪孪生网络机制对双流输入进行并行特征提取实现参数量的减少并将得到的特征图输入SE-Block注意力机制;最后,在实验证明下图像对应的嵌入概率图帮助网络获取先验知识更快的达到收敛的效果,并且在参数量上低于SRNet等模型50%。（2）为了缓解现有隐写分析冗余参数问题,提出一种基于多阶统计差异和结合轻量级网络结构的图像轻量化隐写分析模型（Light Net）,在保证模型检测准确率的同时,大幅度减少模型参数实现轻量化设计。首先,研究多层级残差卷积块对模型进行改进,实现不同大小的感受野结合,提高模型的隐写噪声提取能力;然后,研究多阶池化方案,将经过多尺度残差块运算后的特征图放入一阶（平均池化）与二阶（协方差池化）统计层中,并放入最后分类层中辅助模型进行分类。在实验结果方面,本文所提出的隐写分析方法可以保持同等检测精度的情况下,仅有SRNet、Zhu Net等模型的1-2%的参数数量。