随着远程医疗的发展,越来越多的医学影像数据需要通过互联网传播。未受保护的医学图像在远程传输的过程中可能遭受不法分子的恶意篡改或窃取,这对病人的隐私以及医生的正确诊断都会造成影响。因此,在公网上传播医学图像时,需要对医学图像的版权信息进行有效地保护。数字水印作为版权保护的常见手段,广泛应用于医学影像技术所产生的医学图像中。传统的鲁棒水印算法需根据图像成像特点、噪声攻击类型等因素有针对性地进行设计,因此传统的鲁棒水印算法存在可扩展性差的问题,而基于深度学习的水印算法能弥补传统方法的不足。但是,现有的深度水印算法在嵌入水印后会改变医学图像的语义信息,使得嵌入水印后的医学图像可视质量较差,且会丢失医学图像的临床诊断意义。弥散加权成像（Diffusion weighted imaging,DWI）作为目前常见的功能磁共振成像技术,在病理检查等临床应用具有重大的价值,然而常见的基于深度学习的图像鲁棒水印算法无法对DWI图像的版权进行保护。针对以上问题,本文提出两种基于深度学习的DWI图像鲁棒水印算法,具体为:1.基于多尺度特征学习的DWI图像鲁棒水印算法。首先,所提算法结合全尺度的低级细节特征与高级语义特征来重构DWI图像,并在该过程中将水印信号嵌入到多尺度的重构特征中,使重构的含水印图与原图在纹理细节上高度相似。其次,提出一个基于金字塔特征学习的水印提取网络来充分学习隐藏于水印图中的水印分布特征,并加入深度监督来提高水印的鲁棒性;最后,提出一种优化的生成对抗网络,以此提高训练过程的收敛速度以及重构图像的视觉质量。2.基于对抗训练的DWI图像鲁棒水印算法。本文提出一种两阶段的分离式训练方式来解耦特征,提高含水印图的视觉质量与水印鲁棒性。第一阶段同时训练水印嵌入网络与水印提取网络。水印嵌入网络以迁移学习的方式提取DWI图像的语义信息与频域信息作为多尺度的知识特征,并结合知识特征与水印信息重构DWI图像,生成视觉上与原图一致的含水印图。第二阶段利用对抗训练的思想同时训练噪声攻击网络与水印提取网络。噪声攻击网络重构出加了通用噪声的失真图像,以此提高水印提取网络对未知攻击的鲁棒性。实验证明本文所提的两种水印算法所生成的含水印图像在人眼视觉上与原图能保持高度一致,且弥散特征改变量极小,达到临床诊断要求。在面对裁剪,旋转等常规攻击与PGD,Deep Fool等对抗样本攻击时,所提算法表现出较高的水印鲁棒性,能够有效保护DWI图像的版权信息。