数字水印作为信息隐藏技术的一个重要分支,在防泄漏溯源、信息防伪、版权保护等方面具有重要作用,得到了广泛的关注和研究。目前基于深度学习的数字水印技术逐渐成为主流,在许多性能指标上都远超传统方法。而Stegastamp模型作为深度学习数字水印模型中的佼佼者,其各方面性能,尤其是鲁棒性,处于领先水平。但是Stegastamp模型仍然存在以下不足:数字水印嵌入痕迹肉眼可见,图像失真严重,并且当数字水印受到裁剪攻击时,会导致模型解码率大幅下滑,即抗裁剪性能较弱。针对Stegastamp鲁棒性水印模型的上述问题,提出一种抗裁剪低失真的鲁棒水印算法。首先设计了一种新的图像感知损失,从局部和整体两方面评价载体图像和载密图像之间的感知相似度,对图像失真情况进一步约束,有效提高了数字水印的不可见性和模型的安全性。其次深入分析了数字水印遭受裁剪攻击时,Stegastamp解码率较低的真实原因,并在噪声层设计实现了边缘裁剪噪声,显著提高了模型的水印区域定位能力和抗裁剪性能。然后,将本算法与Stegastamp模型在三种数据集上,分别进行载密图像质量、抗裁剪性能、抗隐写分析等方向的对比分析,实验结果表明本算法在各个指标上都具有明显优势,即本算法在保持高水准载密图像质量的情况下,仍具有远超于Stegastamp模型的抗裁剪性能。最后,将提出的抗裁剪低失真的鲁棒性水印算法应用到程序界面防伪任务上,设计实现了一套包括Android客户端,微信小程序端和服务端的数字水印程序界面防伪系统,通过将用户或机器的唯一性标识与数字水印进行绑定,为用户生成不可伪造的高质量数字水印防伪界面,可以解决常见的程序造假、界面伪造等问题。