随着信息技术的发展,可逆信息隐藏（Reversible Information Hiding,RDH）技术应用越来越广泛,医学、军事等领域都有着它的身影。近年来网络发展迅速,信息交互加快,如何在信息交流过程中,保证图像的低失真度,提高图像的保密程度这一课题,是当前RDH研究的重要方向。目前RDH已经在图像保密、原始图像的低失真等方面有了一定的研究。本文首先针对RDH当前数据嵌入容量低的问题,着重分析了在提高像素预测精度的条件下,如何增加数据嵌入容量,提出了基于注意力机制的可逆信息隐藏算法。该算法将通道注意力机制（Channel Attention Module,CAM）、空间注意力机制（Spatial Attention Module,SAM）与卷积神经网络（Convolutional Neural Networks,CNN）模型结合进行研究分析,使改进的模型预测算法在图像特征提取方面有了一定改善。然后在调节图像视觉质量情况下,提出改进的对比度增强的可逆信息隐藏方法,并与CNN模型相结合,将图像特征隐藏到对比度增强后的图像中,使图像具有一定的防篡改功能。最后通过分析现有工作的优势与不足,对未来的发展方向做了展望。本文的研究工作如下:1.基于注意力机制的可逆信息隐藏算法在本文中,首先对CNN模型的灰度图像预测器进行研究,它可以充分利用CNN的多接收域和全局优化的能力来实现RDH,但是其需要较多的原始素材和训练数据才能有较高的预测精确度,根据这一缺陷,在模型中增加注意力机制以提高图像的特征表达力。注意力机制可以帮助模型对输入的图像更好的提取出关键及重要的信息,使模型做出更加准确的判断。实验结果表明,通过对CNN的预测模型的改进,模型的预测精度不仅高于经典的线性预测方法,更比未改进模型提高了像素预测精度。2.基于对比度增强的可逆信息隐藏算法。本文提出了一种对图像进行对比度增强的新的算法,原始算法对图像使用直方图均衡的方法,来达到对比度增强的效果,此方法和运算较为复杂繁琐,但仅仅是对图像整体的对比度增强,忽略了图像局部的对比度增强,同时使得部分区域噪声增多。因此本文对原始算法进行改进,首先将算法对像素的简单平移,改为对像素均值、标准差、方差等数学特征的运算,恢复原始图像时,通过建立数据载密图像与原始图像的数学关系,进行逆运算,从而恢复原始图像。然后对图像特征进行数据隐藏的运算,这样不仅不会影响对图像的判断,也能有效对图像进行保护,即使图像被人窃取,由于对图像特征信息隐藏的操作,隐藏在图像中的信息难以提取,即可降低图像盗版所产生的不良影响,该方法不需要备份原始图像,因此对自动图像增强的存储需求较小。最后采用改进的对比度增强的方法处理图像嵌入信息后,与提出的CNN预测模型相结合,将图像的特征信息嵌入到图像之中,生成数据隐藏图像,当图像被篡改时使用该算法模型,推算出图像被篡改的位置和大小。实验结果表明通过对算法的改进实现了图像局部的对比度增强,且能无损恢复原始图像。