图像信息隐藏作为秘密通信的主要技术手段,通过信息隐藏算法将秘密信息在不被第三方察觉的情况下进行传送,并采用逆方法提取秘密信息,从而达到信息安全传输。现有的基于传统方法和深度学习的图像信息隐藏虽然有较好的效果,也能保证图像的质量,但是由于传统方法受限与人工设计的特征,而基于深度学习的方法仅仅从网络构建出发,而忽略了网络越深越容易导致特征提取不准确,或者学习到一些冗余特征,因此在图像质量、嵌入信息量以及抗信息隐藏分析能力等方面存在不足。针对上述问题,本文首先提出一种基于空洞空间金字塔池化的生成对抗网络模型,该模型主要空洞空间金字塔模型和编解码网络。由于传统编码的感受野比较小,只使用的局部额特征信息进行编码,而且网络结构之间的互相依赖性容易造成特征提取存在一定的冗余,因此设计一种编解码网络,通过判别器和编解码网络用于特征的提取,并加入空洞空间金字塔池化模型,结合多个尺度的特征信息进行重构,很好的弥补了语义信息缺乏细节特征的缺点,并采用生成对抗的方式对模型进行训练,从而提高图像信息隐藏的安全性。在所提方法的基础上,嵌入注意力机制,提出一种结合注意力编解码GAN图像信息隐藏网络架构。主要思想是为了使生成器网络从输入图像中提取丰富信息特征,保留输入图像物体完整结构特征以此提高生成图像分辨率,在生成器网络中采用注意力模型进行特征提取,提高网络特征提取的鲁棒性。此外,通过构建编解码网络之间的特征融合模型,将不同层的特征进行有机融合,并采用注意力机制学习它们的特征,使得模型更为关注重要的特征,而抑制不相关的冗余特征。通过实验,并模拟了各种噪声下的对抗训练,并将其与原有方法进行对比实验,最终验证了本文所提方法中各个模型的有效性,以及所提方法的合理性,相对于现有的方法具有一定的优势,降低了编码器和整体模型的的损失并提高了解码器的准确率。