随着科技的发展,移动摄像设备逐渐普及,翻拍泄密事件层出不穷,已有的数字水印技术能够有效解决多媒体数据版权保护等问题,但如何设计出能抵抗屏摄攻击的数字水印算法依然是个难题。传统的数字水印算法可以有效抵抗常见的攻击类型,如JPEG压缩、裁剪攻击等,但因为屏摄攻击是个复杂的过程,对于抗屏摄攻击的数字水印算法研究较少。为了解决这个问题,基于卷积神经网络（Convolutional NeuralNetworks,CNN）的数字水印算法通过在噪声层中模拟不同类型的图像攻击来提高算法的抗屏摄鲁棒性。本文提出了三种基于CNN的抗屏摄鲁棒水印算法。具体内容如下:（1）仅通过构建可微函数来模拟屏摄攻击的方法具有局限性,且缺乏屏摄过程中普遍存在的摩尔纹攻击。因此本文提出了一种基于U-Net网络的抗屏摄鲁棒水印算法ScreenNet（Screen-ShootingNet Work,ScreenNet）,通过构建摩尔纹攻击网络,并使用自建的真实摩尔纹数据集进行训练,实现对含水印图像添加真实的摩尔纹攻击,从而提高算法的抗屏摄鲁棒性。该算法主要包括四部分,分别是编码器、Stega Stamp原始噪声层、摩尔纹攻击网络和解码器。首先设计编码器是为了将水印信息嵌入到载体图像中,得到视觉效果较好的含水印图像。然后,基于Stega Stamp原始噪声层使用了一系列可微函数来模拟屏摄攻击这一过程进行改进,增加了摩尔纹攻击网络。分别使用标准的摩尔纹数据集和自建的真实摩尔纹数据集进行训练,得到摩尔纹攻击网络。其次,设计解码器是为了从受攻击后的含水印图像中成功提取水印信息,并将这四部分进行联合训练得到ScreenNet算法。最后,实验结果表明,与其他基于CNN的鲁棒水印算法HiDDeN、Stega Stamp相比,ScreenNet的抗屏摄鲁棒性更强,不同的屏摄距离下水印信息提取的准确率高达95%以上,不同屏摄透视角度下准确率也能达到80%以上。（2）由于注意力机制能够让网络通过学习的方式选择感兴趣特征,抑制无用信息,从而实现提高含水印图像质量的目的,本文提出了一种基于注意力机制的抗屏摄鲁棒水印算法ScreenNet-AM（ScreenNet Attention Mechanism,ScreenNet-AM）。本文使用了两种注意力机制,分别是通道注意力模型SKNet（Selective KernelNetworks,SKNet）和混合注意力模型CBAM（Convolutional Block Attention Module,CBAM）。首先在ScreenNet算法的编码器和解码器的深层次的特征图后嵌入SKNet注意力模型,通过联合训练得到水印算法ScreenNet-AM-I。由于混合注意力模型能够解决通道注意力模型缺乏空间信息交流的问题,再使用CBAM替换SKNet的位置,联合训练得到水印算法ScreenNet-AM-II。两种算法均能有效提高图像的质量,PSNR（Peak Signal to Noise Ratio,PSNR）可提高至30db以上。可根据实际情况下对鲁棒性和图像质量的需求选择合适的水印算法。实验结果显示,ScreenNet-AM算法在抵抗屏摄攻击的同时也提高了含水印图像的质量。（3）局部屏摄攻击是拍摄图像的部分区域,由于缺乏整体图像作为参考,水印区域如何定位是个难题。为了实现含水印区域的快速定位,本文提出了基于语义分割的抗屏摄鲁棒水印算法。首先,该算法针对特定场景,使用labelme标注工具建立特定场景的语义分割数据集,基于该数据集训练语义分割网络BiSeNet（Bilateral SegmentationNetwork,BiSeNet）,得到针对特定场景的语义分割模型。其次,使用该模型对输入的屏摄图像进行预处理,可以快速定位出含水印图像的区域。然后,对该区域进行校正处理,将水印区域尺寸调整至400×400。最后,可以采用鲁棒的ScreenNet方法进行水印信息嵌入和提取。实验结果显示,该算法能够在局部屏摄攻击下保持强鲁棒性,不同屏摄距离下的水印信息提取的准确率仍高达80%以上,进而能够更好地解决翻拍泄密追责等问题。