隐写术作为一种保障信息安全的新型手段,在过去二十几年的研究和应用中得到了广泛的关注。作为隐写术的对手—隐写分析同样也得到了长足的发展,其在维护商业信息和国家安全方面发挥重要的作用,具有很高的应用价值和学术意义。目前,隐写分析主要通过机器学习的分类方法实现,学术界已经在实验室环境下取得了良好的检测效果,然而在面对复杂的实际环境应用时却存在如图像源、隐写算法、嵌入率等不匹配问题。这种分类器的训练数据与实际检测数据的不匹配会明显地降低隐写分析的性能。本文提出了两种方法,分别缓解由图像源失配和隐写算法失配引起的隐写分析能力下降。(1)论文提出了一种离线方法,通过匹配与测试图像具有近似或相同图像源的图像来解决图像源不匹配问题。首先,设计一组频率特征Ns ND(Non-stego noise distribution)特征来描述图像源的噪声分布,其不包括隐写术引起的噪声。然后,基于设计的Ns ND特征,提出了一种相似图像源匹配方法。在此方法中使用JS(Jensen-Shannon)散度来测量测试图像与包含多种图像源的大型图像库中的图像之间的相似度,并匹配最相似的图像组成测试图像的训练集。本方法在四种类型的图像源不匹配场景下,针对自适应和非自适应隐写方法嵌入的图像进行隐写分析实验。(2)论文提出一种基于深度迁移学习的方法来解决隐写算法不匹配问题的方法。此方法通过构造与测试图像集最接近的训练集来降低由隐写算法失配带来的干扰,为每批测试图像量身定做合适的卷积神经网络隐写分析系统。首先,通过对比隐写算法库中的隐写特征,给出测试图像所使用的各个隐写算法的概率,并由此构造再训练集;然后,利用迁移学习的知识,将再训练集用于微调初始隐写分析系统,使其特征提取能力与测试图像更加匹配,从而降低了隐写算法失配带来的隐写分析性能的下降。我们在大量的图像源失配和算法失配数据集上验证了所设计的方法。实验结果表明,利用本文提出的Ns ND特征可以很好的匹配同源图像,从而提升了在图像源失配失配情况下的检测效果;通过迁移学习和选择性微调方式获得的卷积神经网络对隐写算法失配情况下的检测准确率有一定程度的提升。