随着网络的发展和计算机的普及,人们可以方便地从网络中下载、复制、修改和传播数字图像,随之而来的是数字图像版权保护的问题。数字图像水印作为一种有效保护数字图像版权的方法,越来越多的受到社会和研究人员的关注。研究有效的数字图像水印方法具有重要的意义。数字图像水印通过在被保护的数字图像中嵌入某些秘密信息-水印来证明版权归属或跟踪侵权行为。数字图像水印研究中的一个难点是数字图像水印的鲁棒性和不可见性之间的矛盾问题,即一方面提高水印抵抗各种攻击的能力,另一方面保证嵌入水印后的载体与原始载体相似性之间的矛盾。本文研究的重点在于探讨使用人眼视觉系统知识和机器学习方法解决这个矛盾问题。本文的创新工作如下:(1)提出了一种改进的DCT域数字图像盲水印方法。该方法一方面有效地解决了原有方法的不足,另一方面明显的提高了水印的不可见性和鲁棒性。(2)提出了一种结合人类视觉系统和支持向量机的图像水印方法。在已有的人类视觉系统的基础上,建立了基于原始图像局部区域纹理特征的分类模型。引入统计学习理论中的支持向量机方法,依据其在小样本学习中优秀的推广能力,模拟了人类视觉系统分类模型,根据载体图像局部区域的纹理特征将图像的局部区域划分为人眼敏感程度不同的数类。不同的类选择不同的嵌入强度,在保证鲁棒性的同时,提高水印的不可见性。(3)研究和总结了已有的基于遗传算法的数字图像水印算法的优点,结合基于支持向量机的分类模型,提出了一种融合支持向量机和遗传算法的数字图像水印方法。该方法使用支持向量机的分类模型确定水印的嵌入强度,使用遗传算法寻找较优的嵌入位置,以同时优化水印嵌入强度和嵌入位置的方法提高水印的不可见性和鲁棒性。同时,鉴于传统的遗传算法耗时较高问题,本文对遗传优化过程进行了改进,以降低遗传算法的消耗时间。在算法研究的基础上,我们在matlab平台下设计了基于支持向量机的数字图像水印系统和基于支持向量机和遗传算法的数字图像水印系统。前者为实时数字图像水印系统,运行耗时较低,后者为非实时数字图像水印系统,耗时较高,但拥有更好的水印效果。实验结果证实了我们所提的算法的优点,表明本文所提方法具有较好的不可见性和鲁棒性,同时实验结果也表明本文所提出的新算法效果较优。