隐写术是将敏感信息隐蔽地嵌入到图像等通信载体中,并进行公开传输的一种隐蔽通信技术,可以实现敏感数据“神不知鬼不觉”地秘密传输。同时,违法分子也会利用隐写术来从事非法犯罪的活动。因此,为了防止隐写技术被用来造成一些危害社会的信息安全事件,隐写分析技术受到国内外学者的广泛关注及深入研究。近年来,深度学习在图像隐写分析任务中表现出了优越的检测性能。然而,基于深度学习的图像隐写分析模型需要隐写算法对应的大量载密图像数据集进行训练。在实际的隐写分析任务中,待测隐写算法往往是未知的,其大量载密图像是难以得到的。因此,如何在仅有隐写算法的少量标记样本情况下进行隐写分析成为一个亟待解决的问题。为解决该问题,本文旨在研究利用各类少样本学习网络和深度学习隐写分析网络的各自优势来构建少样本图像隐写分析模型,在实现域内少样本图像隐写分析的情况下,进一步研究跨空域频域的少样本图像隐写分析方法。本文研究内容如下:（1）针对少样本场景下深度隐写分析模型训练困难的问题,提出一种基于转导传播网络的少样本图像隐写分析模型。首先,在情景训练模式下利用高通滤波核和多尺度特征融合模块对输入图像进行特征提取,获得多尺度融合的隐写分析特征,再构造初始图网络,使用标签传播模块对所有节点标签进行更新。通过实验表明,该隐写分析模型相较于之前的工作,在少样本学习框架上针对隐写分析特征提取做出新的改进,通过多尺度特征融合模块来提取更加复杂高维的图像隐写分析特征,以此在训练时使少样本图像隐写分析模型更好的拟合,提升少样本检测精度。（2）为了进一步解决少样本场景下的跨域隐写分析问题,提出一种基于时空图网络的少样本跨域图像隐写分析模型（STGN）。本文利用空域、频域图像隐写算法特性,提出多域特征提取模块,并在特征嵌入之后,利用时空图网络进一步挖掘隐写分析特征的时空特性,并通过图神经网络更新初始图中查询节点标签,从而有效提升跨域图像隐写模型的准确性。此外,还设计了一种联合损失函数来衡量含密图像与载体图像之间的差异性,从而在特征域中提取去噪秘密特征,进一步提升跨域图像隐写分析模型的检测性能。最后,大量实验结果证明在少样本跨域隐写分析任务中,本文提出的少样本跨域图像隐写分析模型其跨域检测性能获得了明显提升。