随着云存储的发展,越来越多的用户将自己每天拍摄的照片外包到云端,在享受云服务便利的同时,也面临着隐私泄露的威胁。加密技术可以有效保护图像的隐私,然而传统的图像加密方案通常将明文图像加密成为类噪声的密文图像来保护隐私,不可识别的外观限制了它们的可用性,用户必须下载所有上传的密文图像并在本地端解密才能浏览原始图像的内容,这无疑会大大增加用户的传输和计算成本。因此,为了取悦用户,在保护隐私的同时不能放弃图像的可用性与便利性。为了平衡图像的安全性和可用性,有学者提出了缩略图保留加密（TPE,Thumbnailpreserving encryption）,其密文图像保留了某些视觉特征,使得用户未进行解密操作便可预览原始图像的内容。根据密文图像存储格式的不同,当前对TPE的研究可以划分为两类:对无损格式（例如PNG格式,TIFF格式等）的图像加密和对JPEG格式的图像加密。为了解决当前TPE算法中存在的加密效率低、密文图像缩略图视觉质量差以及TPE算法鲁棒性差（无法抵御噪声攻击、剪切攻击和JPEG压缩攻击）的问题,分别提出了三种保留缩略图加密算法,主要内容如下:（1）密文图像保存为无损格式,提出了一种基于遗传算法的保留缩略图加密方案。具体地,首先将明文图像分为若干个子块,然后将明文图像的子块作为初始种群,使用交叉算子对块内像素做比特级置乱,通过变异算子对块内像素做比特级替换,利用伪随机序列为交叉操作选择交叉对象和交叉点,并为变异算子选择变异染色体和变异基因位置,进而保证操作过程的伪随机性。交叉算子可以同时起到对明文像素的置乱和替换作用,而变异操作则可以隐藏像素比特级的统计信息,进而使得密文图像不泄露缩略图以外的信息。交叉算子不会改变图像块内像素和,而变异算子则会改变块内像素和,提出了变异补偿和变异失败两种新的算子来约束种群的进化方向,矫正了变异算子导致的像素和改变,进而使得密文图像能够精确保留明文图像的缩略图。所提算法是一种理想TPE方案,它既能够精确地保留明文图像的缩略图,又不会泄露明文图像缩略图以外的信息,可以有效平衡图像的安全性与可用性,实验验证了所提算法的优越性,与现有理想TPE算法相比具有更高的加密效率。（2）密文图像保存为JPEG格式,提出了一种基于信息自嵌入的JPEG域保留缩略图加密。通过结合霍夫曼编码和可逆信息隐藏技术设计了支持JPEG格式的TPE算法,它在JPEG域图像加密技术分类中属于压缩内加密。首先,结合JPEG压缩过程对JPEG图像进行部分解压缩得到对应的量化DCT系数,包含量化DC系数（Q-DCC）和量化AC系数（Q-ACC）。接着,将TPE块内的Q-DCC分解为均值和偏差值,用均值替换掉原始的Q-DCC,通过保证加密前后块内Q-DCC和不变来间接使得块内像素和不变,进而使得密文图像能够保留明文图像的缩略图。然后,结合霍夫曼编码技术和可逆信息技术将偏差值嵌入到Q-ACC中,用于保证密文图像的可逆性,并使用非零Q-ACC置乱、QACC组内的扩散和不含Q-DCC的单元块置乱三种操作,进一步地在避免密文图像过度膨胀的同时保护了图像的细节信息。最后,通过修改量化表来降低加密的Q-ACC对密文图像视觉质量的影响,提高了密文图像的视觉可用性,并将原始量化表嵌入到Q-ACC中,使其在解密阶段可以被恢复。实验验证了所提算法的优越性,相比于现有JPEG域TPE算法,其密文图像膨胀率更低,密文图像的视觉可用性更强,并且密文图像能够被完全解密。（3）密文图像保存为无损格式或JPEG格式,针对密文图像鲁棒性差问题,提出了一种基于GAN（Generative adversarial networks）的鲁棒保留缩略图加密（TPE-GAN）。通过深度学习技术模拟传统置乱-替换框架下的理想保留缩略图加密,有效提升了算法的鲁棒性,另外提出了抗JPEG压缩性能提升方案,利用深度学习技术模拟JPEG压缩过程,并将其引入TPE-GAN的训练过程,有效提升了算法对JPEG压缩的鲁棒性,使得密文图像具备了抵御JPEG重压缩的能力。在TPE-GAN中,采用改进的循环生成对抗网络（Cycle-GAN）作为主要的学习网络,将明文图像从其原始域转移到目标域（TPE密文域）。通过GAN技术来指导加密网络学习目标图像的分布特征,进而实现将图像从明文域映射到目标域,并提出了缩略图一致损失来指导加密网络的学习,使得密文图像有效保留明文图像的缩略图,保证了密文图像的可用性。通过训练重建网络将加密后的图像恢复为原始图像,以实现图像的解密,并考虑人类的视觉感知能力,通过引入SSIM损失以提高解密图像的质量。实验表明,TPE-GAN成功地模拟了理想TPE方案,并且拥有更强的抗噪声攻击能力以及抗剪切攻击的能力,同时具备了抵御JPEG重压缩的能力。