隐写术是一种将信息隐藏到一定载体中(如图像、音频信息)传递的技术,属于信息安全的重要分支。隐写分析是隐写术的攻击技术,也是衡量隐写术性能的重要工具。隐写分析从方法上主要分为强针对型和通用型两种。强针对型隐写分析研究重点在分析隐写术的缺陷并定制出有针对性的特征。但是人工定制特征的难度很大且改进的隐写术容易使之失效。因此,设计适应性更强的通用型方法逐渐成为主流。通用型方法主要利用了机器学习技术,包括特征提取和分类器训练两部分,不需要根据不同的隐写术而做改变。但是通用型方法仍然存在自适应性不强、针对不同隐写术效果相差较大和检测准确率较低等问题。另一方面,现阶段隐写分析主要围绕特征的多样性和高维化进行研究,面对不断出现的新型隐写术,单一的特征很难覆盖和表达隐写过程对图像多方面分布的影响,这就需要通过一定的方法组合多样特征来分析更大范围和更多种类的隐写术嵌入前后图像性质的改变情况。综上所述,本论文研究的内容为基于多样性特征的通用型图像隐写分析。在通用型隐写分析的特征研究方面,本论文基于深度学习的隐写分析方法,提出了多种改进措施来提高模型的自适应性和检测准确率。主要改进措施包括以下三点:预处理层融合、添加卷积层跨层结构和卷积层特征融合。其中,预处理层融合使得隐写分析的预处理阶段可以根据隐写术的不同而改变,将预处理和深度学习过程一体化,让模型拥有更强的自适应性。添加卷积层跨层结构和卷积层特征融合这两点模型结构上的改进可以让深度学习训练特征时,能够减少训练时的信息损失,提高提取特征的质量。实验验证了这些改进方法提高了基于深度学习的隐写分析方法的检测准确率和自适应性。在设计基于多样性特征的隐写分析算法方面,本论文主要通过研究富模型的多样性特征构建方法,进而通过组合多种有效的隐写分析特征设计了性能稳定、检测准确率较高的通用型隐写分析算法。同时,本论文还对该算法的特征构建和鲁棒性做了优化。