随着通信技术的发展,多媒体图像已经成为人们传递信息中的最重要的手段之一,但随着人们对安全问题的重视,多媒体信息安全得到了飞速的发展。信息安全逐渐成为了人们关注的问题,隐写术借助载体可以将有效信息嵌入到图像中并进行传播,但这种方式很可能被不法分子利用来传递一些有害信息。隐写分析可以对图像进行判断,判断是否隐藏有秘密信息。传统的隐写分析通常是人工设计加机器学习的方法,在算法设计时需要大量的专家知识,同时机器学习阶段的结果无法指导特征的设计,因此。本文以空域的隐写分析方法为基础,结合深度学习领域的卷积神经网络等方法,对现有的模型进行了分析研究,论文的主要贡献如下:(1)提出了基于卷积神经网络的空域隐写分析模型Zhu-Net。与现有的基于CNN的网络相比,提出的网络的优点集中在:1)改进了预处理层中的卷积核,以提取图像残差。同时对卷积核进行优化,减少了参数数量和并对图像的局部特征进行建模。2)使用可分离卷积提取残差特征的通道相关性和空间相关性,从而提高了信噪比,可以更有效的利用预处理层得到的图像残差特征。3)使用空间金字塔池化SPP模块来代替全局平均池化模块,同时可以实现多尺度数据的处理。实验结果表明,所提出的CNN网络的检测精度明显优于其他网络(2)提出了一种基于迁移学习的训练方法,通过使用迁移学习的相关理论,可以使隐写分析模型在较低嵌入率下也可以很好的进行训练,将高嵌入率的模型迁移到低嵌入率的模型进行微调,加快了在低嵌入率模型上的训练,并提升了性能。研究了不同大小数据集对基于深度学习的隐写分析网络的影响,通过建立不同大小的数据集,在多个隐写分析网络进行测试,实验表明在增加数据量的情况下,隐写分析的网络有明显的性能提升,提出的模型有着一定的泛化能力。同时研究了参数量以及网络运算速度对性能的影响,通过使用深度可分离卷积,在提升性能的同时减小了网络的计算量和推理时间。