随着图形处理器(Graphics Processing Unit,GPU)的飞跃式发展,深度学习及应用成为信息技术各领域的热点研究。依赖深度学习进行海量图像特征匹配搜索成为可能,因此图像无载体信息隐藏研究得到了迅速的发展。图像无载体信息隐藏不修改载体图像的任何数据,利用图像自身特征与要传递的秘密信息构建索引关系。为了保证所有的秘密信息在图像库中一定可以找到与之匹配的图像,图像库的设计就显得尤为重要,如果图像库设计的不完善,会存在秘密信息找不到与之对应的含秘图像。目前,己有算法中往往需要庞大的图像库来满足图像无载体信息隐藏图像库的需求。作为图像合成的新方法,图像风格迁移可以产生丰富的艺术图像,这些图像风格迁移结果的自然性和差异性适合做图像无载体信息隐藏的图像库。为了进一步提高图像风格迁移结果的多样性和差异性,本文在VGG-19(Visual Geometiy Group-19)架构的基础上,提出多级噪声编码机制和多样性损失,使参数化图像风格迁移结果更适合做图像无载体信息隐藏的图像库。此外,本文提出了一种自适应信息隐藏矩阵,在该矩阵的约束下进行非参数化图像风格迁移,避免秘密信息无法在图像库中找到与之匹配的含秘图像的问题。本文主要的工作如下:(1)参数化图像风格迁移方面:本文提出一种使用多级噪声编码机制的多样性图像风格迁移网络MNE-Style(Image Style Transfer Network Using Multi-level Noise Coding Mechanism),进而设计了一种基于参数化的图像风格迁移网络的无载体信息隐藏新方案。为了使生成的图像风格迁移结果更具有多样性和差异性,本算法在改进VGG-19架构的同时,设计了一种与之匹配的生成器网结构。在生成器网络中,采用与后续VGG-19网络尺度匹配的多级噪声编码机制,在损失网络中对损失函数额外增加了多样性损失项。与此同时,在损失网络中引入残差学习以提高网络的训练速度。实验表明MNE-Style可以在较短的时间内生成自然性较好的多样性图像风格迁移结果,越自然越有利于秘密信息的安全传输。因此,本文利用MNE-Style的多样性图像风格迀移结果实现了一种无载体信息隐藏方案。实验显示,该无载体信息隐藏方案在信息隐藏容量、抗检测性、安全性、鲁棒性方面与己有文献相比均有良好表现。(2)非参数化图像风格迁移方面:为了避免秘密信息在图像库中找不到与之对应的含秘图像,本文提出了一个可实现无载体信息隐藏的任意图像风格迀移网络CSST-Net(Style Transfer Network of Coverless Steganography)。CSST-Net结合无载体信息隐藏的思路与非参数化图像风格迁移的操作,设计了一种自适应的秘密信息编码与调整方案,可以根据输入图像直接生成自适应信息隐藏矩阵。在自适应信息隐藏矩阵的约束下进行任意图像风格迁移,直接合成由秘密信息驱动的图像风格迁移结果。即每一张图像风格迀移结果都是由要传输的秘密信息控制过程参数来生成,进而不存在秘密信息找不到与之对应的含秘图像的问题。此外,本文还提出了CSST-Net适用于人脸图像上的拓展网络。该网络不仅可以适用任意风格的图像风格迁移,而且还适用于含人脸图像的图像风格迁移,进而扩展了应用的图像类别,弥补了已有方法的不足。实验证明,CSST-Net不仅可以较快合成视觉质量较好的任意图像风格迁移结果,也在无载体信息隐藏的信息隐藏容量、抗检测性等方面拥有良好表现。