随着现代科技的发展,多媒体信息呈井喷式增长并快速传播。与此同时,多媒体信息的安全与隐私逐渐得到人们的关注,如何对其进行高效保护成为目前亟待解决的重要问题。信息隐藏是一种将秘密信息（文字、图像等）隐藏于可公开的媒体信息中,使人们凭直观的视觉和听觉难以察觉其存在的技术。其在不影响数字载体正常使用的情况下,实现隐秘通信、版权保护、票据防伪、产品标识和篡改溯源等。研究表明,基于深度学习的图像信息隐藏算法在多方面优于传统算法,具有可拓展性且易部署。其中,生成对抗网络利用博弈学习完成信息嵌入和提取任务,在信息隐藏领域得到广泛应用。然而,已有的信息隐藏网络训练速度缓慢、模型复杂度高且不稳定,数字载体的可嵌入信息量较低且质量效果不佳。如何基于生成对抗网络和深度学习技术,在保证载体可利用的同时,降低模型复杂度,提升图像的信息隐藏容量和稳定性成为关键研究问题。针对以上问题,本论文提出了两种基于生成对抗网络的信息隐藏算法,采用深度学习进行算法实现,并搭建了优化的可视化演示系统。论文完成的主要工作如下:（1）提出了一种基于空洞空间金字塔的高容量信息隐藏算法。该算法借助对抗学习思想,实现端到端的高容量信息隐藏。在编解码器网络中使用了改进的空洞空间金字塔池化模块,提高图像信息容量和信息提取的准确性;同时,提出了一种轻量且高效的残差判别网络,以优化编码器网络。此外,利用多种更新策略来训练模型,提高网络的稳定性。实验表明,该算法可以主动学习图像的结构和视觉冗余,在冗余区域自适应嵌入更多的信息,实现原始图像与隐写图像在视觉和感知上的一致性,并有效抵御隐写分析工具的检测。（2）提出了一种基于自注意力模块的彩色图像信息隐藏算法。该算法选择U型网络作为图像编码模块,进行图像特征的多尺度学习,同时借助跳跃连接方式,完成高低层语义特征的融合,实现彩色图像的自适应嵌入。利用自注意力机制,扩大特征视觉范围,提高编码网络的表征能力、生成图像的质量和隐藏图像的恢复质量。为减少生成网络的冗余,利用轻量型结构进行网络搭建,同时提出新的多损失函数,融合像素和特征级的网络学习,加快网络收敛。实验表明,该算法在保证网络复杂度较低的情况下,提高模型嵌入彩色图像时隐写图像和恢复图像的质量。（3）优化了所提信息隐藏算法,并搭建可视化演示系统。设计应用系统,嵌入所提两种信息隐藏算法,进行算法效果的可视化展示。为了提高网络的训练速度,满足用户的应用需求,对第一种所提算法进行网络结构的优化,减少网络参数量和运算量,降低模型冗余度,减少训练时间。根据实际场景需求,用户确定信息隐藏算法,进行载体图像数据和嵌入信息的选择。通过该系统完成信息的嵌入与提取,实现图像数据的保护或者隐秘信息的通信。