数字隐写技术是保障通信安全的重要手段,但也为恶意的非法通信提供了便利。隐写分析技术作为隐写术的对抗手段,其目的是检测信号中是否嵌有秘密信息,在这个注重信息安全的时代具有重要的研究意义。数字音频是人们生活中常用的数字媒体之一。音频应用与音频处理软件的普及极大地促进了音频隐写和隐写分析技术的发展。在复杂的大数据取证场景下,音频数据通常具有多样性和复杂性,攻击者使用的载体数据模型和隐写算法通常是未知的,这将极大影响隐写检测的准确率。本学位论文以数字音频为研究对象,对基于深度学习的音频隐写分析技术目前存在的若干关键问题进行了研究,论文的主要研究内容归纳如下:1.针对音频隐写分析中存在的特征表达问题,提出一种适用于端到端音频隐写分析的卷积神经网络结构。通过设计基于高阶差分的高通滤波器,有效建立了音频隐写噪声的自适应表征方式。在低嵌入率情况下,引入模型参数迁移策略提升隐写检测效果。实验结果表明,在多种隐写算法及密信嵌入率情况下,所提出模型的检准确率均超越现有基于深度学习的音频隐写分析方法。相比于传统的“高维特征+集成分类”隐写分析模式的方法,检测准确率也有一定的提升。2.针对复杂大数据隐写分析场景下的载体来源失配问题,提出一种基于无监督领域自适应学习的音频隐写分析方法。通过在传统的有监督训练二分类隐写分析网络中引入音频载体来源领域判别分支,使其与网络特征提取部分进行对抗训练,进而得到不依赖载体来源数据分布的有效隐写分析特征。在由不同录音设备产生的异源音频隐写数据集上的实验结果表明,所提出方法能够有效缓解载体来源失配现象导致的分类器检测性能下降问题。3.针对复杂大数据取证场景下的隐写算法失配问题,提出一种通用的音频隐写分析框架。通过引入多任务学习和异常检测机制,有效提升了通用隐写分析方法在失配场景下的泛化性能。实验结果表明,本工作提出的通用音频隐写分析模型不仅能够提升隐写算法失配场景下的检测效果,还能够区分具体的隐写算法类型。此外,该方法也能够有效区分训练数据中未包含的隐写算法类型。