现有的针对LSB音频隐写的检测算法,基本都利用了嵌入秘密信息后载体的统计特性,在嵌入率较高时一般具有良好的检测性能。但是在嵌入的信息量较少时,当前的检测算法则表现欠佳。在本研究中,致力于设计一种新型的检测方法,对低嵌入率的LSB音频隐写实现可靠检测。前期工作尝试设计直接对音频具体内容建模的分类器,即直接将音频采样值序列作为输入向量,发现检测效果始终不好。可能原因是当嵌入率较低时,隐写操作对原信号的扰动较少,隐写前后量化的特征向量差异被弱化,导致识别性能不高。由于载体信号的最低有效位具有类噪声特性,而LSB音频隐写就是用消息比特替换样本点的最低有效位,因此将LSB音频隐写视为一种人为添加的噪声,即假设LSB隐写对原始音频的影响主要作用在噪声上。并使用基于信号局部相关性的方法和基于小波去噪的方法实现对噪声序列的估计。而马尔科夫链在数字音频信号研究中有广泛的应用,它以条件概率的方式对邻近采样点相关性进行描述,因此使用Markov模型对估计的噪声序列提取Markov特征,构建一阶、二阶条件概率转移矩阵。将得到的条件概率矩阵转化为一维向量,作为分类器训练的输入向量。本检测技术属于基于特征变化的检测技术,是当前主流的信息隐藏检测技术。为验证本检测方法的检测性能,与基于特征变化的检测方法和当前最新报道的基于SPAM特征构建分类器的方法进行对比实验。实验表明,该方法有效提高了低嵌入率LSB音频隐写的识别准确率。