作为信息安全研究领域新的分支,隐写分析技术主要对载体中隐秘信息进行有效的检测。特别是美国发生9.11事件以来,隐写分析更加受到重视,它对国家、国防以及军事安全方面起到重要的作用。因此,隐写分析具有较高的学术研究价值和广泛的应用价值。本文紧跟信息隐藏技术的前沿,以参考国际上最新的隐写分析技术为基础,研究图像数据中隐密信息的分析与检测技术,提出多种可靠的图像隐写分析和检测方案。本文的主要研究工作表现在:(1)由于隐秘信息与载体数据独立,嵌入操作会造成系数相关性的改变。针对JPEG图像隐写算法,根据频域系数邻域相关的性质构造马尔可夫链并设计隐写分析特征。通过对DCT域8×8块内系数分别进行横向、纵向和zigzag扫描,利用马尔可夫(Markov)链分别刻画系数在局部方向上的关联,生成局部马尔可夫特征。依据各向特征对分类的贡献程度设置权重,对三向特征赋予不同权重。实验仿真验证了3:3:4加权平均特征对嵌入率为0.05时的四种隐写方法(Outguess, F5, Mb1和Mb2)检测率均高于91%,同时该特征融合操作并未增加特征的维数。另外,本文利用Markov矩阵统计了相邻系数块之间的相关性,并构造出块间和块间Markov特征。由于水平和垂直扫描方式无法有效检测低嵌入率下的F5隐写算法,本文对DCT系数块以及块内系数分别进行zigzag扫描,同时引入差分消除图像内容对隐写检测的影响,提取的块内和块间Markov特征对嵌入率为0.05的F5隐写算法检测率可达到95%以上。(2)根据二类分类器推广能力受限于隐秘图样本的缺点,设计了仅使用净图样本进行训练的一类分类隐写分析方案。描述净图特性的统计量抽取自图像的一阶全微分、二阶全微分以及梯度图,以突出隐写可能造成的改变;对各阶微分图分别进行小波包分解生成多个节点,提取节点系数直方图特征函数多阶绝对矩定义净图特征。针对净图统计特征存在聚类性不强的特点,在训练前先对净图样本进行模糊聚类得到多超球体一类分类器,而合理聚类数目的选择由Xie-Beni指标来衡量。由JSteg、JPhide、F5、Outguess隐密图像以及用于测试的净图样本所组成的混合图像库上的仿真实验结果验证了该方案的有效性。较之二类分类隐写分析方法,所设计方案具有更好的通用性。(3)设计了一种基于独立成分分析(ICA)模型的隐秘信息估计方案。该方案假设秘密信息是独立同分布序列且统计独立于载体图像,将隐写分析过程视为ICA模型的求解问题,利用盲源分离(BSS)方法估计嵌入信息。由于DCT系数是服从非高斯分布的,而扩频隐秘信息是高斯分布的,在DCT系数嵌入扩频隐秘的过程更加满足盲源分离模型,因此本文是主要针对DCT域嵌入的扩频隐秘信息的研究。使用DCT域隐马尔可夫树(HMT,Hidden Markov Tree)模型预测出载体图的一个估计,利用快速ICA(FastICA)估计隐秘信息。仿真实验对该方法的有效性进行了验证。