本文就图像水印容量问题进行了研究。图像水印容量是指在宿主图像中可以隐藏的最大信息量。水印容量取决于宿主图像的统计特性、失真限度等，也与水印的不可感知性和鲁棒性有关。研究水印容量的目的是分析在满足水印不可感知性和鲁棒性的前提下可以嵌入的水印信息量的上限。水印容量的研究对设计更好的水印算法有着重要的意义。 为了研究水印容量，一般把水印的嵌入和提取视为一次通信过程，水印为信源，宿主图像为信道。这样就可以利用信息论对图像水印容量问题进行分析。然而，与传统的通信问题相比，水印通信具有独特的性质，如水印的不可感知性等。本文在研究水印容量问题时，提出了一种基于感知模型的水印嵌入算法。在此基础上，以噪声可见性函数为桥梁，把图像的内容与水印容量联系起来，提出了一种对水印嵌入功率进行自适应限定的水印容量分析方法，并讨论了盲检测和非盲检测情况下的水印容量问题。在小波变换域中，本文结合小波域感知模型和噪声可见性函数实现了一种自适应的小波域水印嵌入算法，并分析了小波域图像水印容量问题。与现有水印容量分析方法相比，本文提出的方法把水印容量与图像内容结合起来，对不同的图像可以计算出不同的水印容量值，与实际情况更加吻合，不仅是对水印容量问题的理论分析，也具有实用性，对设计水印算法时保持水印的鲁棒性、不可感知性和容量之间的平衡有一定的实际意义。 水印检测可靠性通常可以用水印检测错误率来表示。分析水印容量与可靠性之间的关系，将有助于解决如何在给定水印检测错误率条件下传递最多的水印信息的问题。本文对图像水印容量与检测可靠性的关系进行了研究，给出了水印容量与水印检测错误率之间的关系以及错误率的极限。研究结果表明，水印检测错误率主要取决于水印的平均能量和水印容量，错误率随着水印容量的提高而增加。 目前现有的数字水印容量研究几乎都采用信息论的方法进行分析，利用仙农公式计算水印的容量。我们知道，联想记忆神经网络也有容量问题。由此引出能否用神经网络的容量及其相关理论研究数字水印容量的思考。本文利用Hopfield神经网络记忆宿主图像以及原始水印信息，提出了一种基于神经网络的盲检测数字水印算法。利用噪声可见函数实现了水印的自适应嵌入，在水印检测时实现了水印的盲检测。在此基础上研究了基于神经网络的图像水印容量问题。研究结果表明嵌入水印的最大信息量取决于神经网络吸引域的大小。 本文的主要创新点如下：1.本文利用视觉感知模型把图像内容与水印容量联系起来，提出了一种对水印嵌入功率进行自适应限定的水印容量分析方法。本文的方法避免了现有方法的不足，与实际情况更加吻合。 2.本文通过对水印检测错误率的研究，给出了水印容量与水印检测错误率以及错误率的极限之间的关系。研究结果表明，水印检测错误率随着水印容量的提高而增加。 3.本文尝试使用新的分析方法来研究水印容量问题。不同于现有的以信息论为基础的水印容量分析方式，本文利用神经网络的相关理论对图像水印的容量问题进行了研究。