数字水印是保护信息安全的一种有效手段,且音频作为经常使用的媒体类型之一,认证音频水印的研究具有极大潜力。目前的认证水印大多为静态信息,缺乏足够的安全性,且结合深度学习方案的音频水印研究也有待挖掘。论文主要研究基于深度学习的身份认证音频水印算法。对于水印信息生成,论文借鉴语音侧写领域关于人声画像的思想,探讨从音频中获取身份特征作为水印信息的可行性,并提出了基于生成对抗网络的身份水印生成模型。该模型利用从音频中提取的身份特征,可视化生成人脸图像,并设计判别器和分类器进行对抗性与约束性训练,保证身份特征作为认证水印的可靠性。对于水印嵌入和提取,区别于传统的数学统计方法,论文采用深度学习方案,基于自编码器架构提出了水印嵌入-提取组合模型。模型通过设计音频和水印间的损失函数对嵌入网络和提取网络进行更新优化,利用嵌入网络将身份水印自适应嵌入到音频信号中,与之对应的,利用提取网络还原水印进行身份认证。基于VoxCeleb英文数据集和自采集的中文多模态数据集,论文利用身份水印生成和嵌入-提取两部分实验验证了论文所提基于深度学习的身份认证音频水印算法的有效性。其中,从生成模型获取的身份特征具有类内相似、类间迥异的动态特性;嵌入-提取模型可在保证不可感知性与鲁棒性的前提下,自适应的完成音频中水印的嵌入和提取过程。