近年来,数字水印技术作为多媒体版权保护和内容认证的有效手段,已经得到了广泛的研究和应用。传统的数字水印技术会对原始图像造成一定的损坏,然而在一些对数据要求比较严格的领域（例如法律、医学和军事领域）,既需要数字水印技术来进行内容保护,又不允许对原始图像造成任何不可逆的损坏,所以产生了可逆水印技术。可逆水印技术不仅可以像其他水印技术一样完整的提取出水印信息,还能无损地将图像恢复到原始状态。可逆水印技术研究的重点是提高水印的嵌入容量,降低水印嵌入所引起的失真,目前可逆水印领域最有效的技术是预测误差扩展技术,但是现有算法都是基于传统方法,在嵌入容量和嵌入质量上的表现都还有待提高。针对不同嵌入容量场景,本论文提出了两种有效的可逆水印方案。在高嵌容场景,本论文将传统菱形预测算法和深度学习相结合,提出了一种在相同失真条件下嵌入容量更大,并且最大嵌入容量更大的水印嵌入算法。该算法首先按菱形预测器的思想将图像进行棋盘划分,然后利用降噪领域的深度学习模型来对图像的另一半像素值进行预测,从而生成了分布更尖锐的预测误差直方图,之后将预测误差按局部复杂度排序后进行逐个修改以嵌入水印信息,有效的提高了水印的嵌入容量和嵌入质量。最后通过在标准测试图像集上进行不同容量水印嵌入的对比实验验证了该方法的优越性。在低嵌容场景,本论文提出了一种新的基于分块的像素选择策略和基于神经网络的预测策略。将图像分块后利用固定不变的像素衡量块的平滑程度,平滑块中像素值波动较小,可以使用更少的像素来预测更多的像素,这使得水印嵌入时可以更多的利用平滑区域的像素,复杂块由于像素值变化较大,预测误差通常较大,所以始终保持块中像素值不变,这种方法在低嵌容时具有非常好的嵌入表现。最后通过水印嵌入实验和几种传统方法进行对比实验,证明了该方法的优越性。