信息隐藏分析技术作为信息隐藏技术的对立面,旨在检测图像中是否含有秘密信息,进而阻断秘密通信的过程。作为信息安全的重要分支,它们被广泛的应用于军事、政治、商业等领域。随着互联网、数字通信技术的蓬勃发展,越来越多的人们使用网络传播和分享图像信息。同时JPEG图像因具有高质量、低存储空间、易传输等特点,是互联网中最流行的图像格式。互联网图像具有设备来源丰富、操作历史复杂、分享平台众多、数据内容海量等复杂特性,这对信息隐藏分析技术提出了更高的要求。众多学者提议将信息隐藏及其分析技术,从实验室环境转向更具有现实意义的互联网环境。本文认为失配现象的主要原因是训练集和测试集的分布差异不同,因此解决失配问题的关键在于如何减小两个集合的分布差异,让在训练集上学习到的模型,可以有效地分类测试集样本。本文是针对互联网中JPEG图像的失配信息隐藏分析技术研究,首先阐述了互联网图像的特点,提出了两种基于域自适应的算法来缓解失配问题,实验内容基于3个来自互联网的图像库,根据失配产生原因的不同,可以分为两种常见的失配问题,载体来源失配(Cover Source Mismatched,CSM)和信息隐藏算法失配(Steganographic Algorithm Mismatched,SAM)。本文的主要内容有:(1)基于跨域特征变换(Cross Domain Feature Transformation,CDFT)的失配信息隐藏分析方法,属于子空间学习的迁移学习方法。主要包含两个部分:特征对齐和求解特征变换矩阵。首先是对训练集和测试集的原始特征进行特征对齐,让它们的联合期望和标准差相等。然后是寻找潜在的特征子空间,在新的特征空间内,训练集和测试集的分布差异更小。在减小两个集合特征分布差异的同时,还要保持数据的流型结构和训练集的分类能力。算法的目标是求解特征变换矩阵。实验结果表明,CDFT在CSM和SAM两种失配条件下,拥有更好的检测性能。(2)基于联合分布的域自适应分类器(Joint Distribution based Adaptive Classifier,JDAC)失配信息隐藏分析方法,属于域自适应分类器的迁移学习方法。算法的具体内容是在一个标准分类器中整合两个约束项,联合分布自适应和图拉普拉斯正则项,其中图拉普拉斯正则项也是基于联合分布的。本章算法不需要引入其他的分类器,目标函数就是求解一个自适应的分类器。实验结果表明,在CSM和SAM两种失配条件下,JDAC的检测性能比其他信息隐藏算法有明显的提高。