隐写术和隐写分析技术是互联网时代信息安全领域的重要课题,己受到各国政府、军方、情报部门和各种研究机构的重视。隐写术是信息隐藏的一个重要分支,通过信息隐藏技术,将秘密信息隐藏在可公开的载体中进行传送,达到掩盖真正的通信目的和通信发生的事实。隐写分析是随着隐写术的发展而发展的,它的首要任务是对多媒体信号进行统计分析,判断其中是否含有秘密信息。它己经成为信息隐藏技术中一个重要的研究方向,它一方面可以促进隐写算法的安全性的提高,推动信息隐藏算法的实用化。另一方面可以防止隐写技术的非法应用。本文主要讨论图像中隐秘信息盲检测问题。本文分析了目前流行的图像隐写方法,指出其对载体图像统计特征带来的变化,以模式识别的观点看待隐写分析问题。提出以原始图像本身及其预测误差图像的小波直方图频域统计矩和第一层小波分解后的D1子带的再次分解后的直方图频域统计矩作为高维特征集合进行隐写分析。并从理论上和实验上说明了小波系数直方图频域矩的有效性。使用离散K-L变换对所得特征进行选择处理,从而得到适于训练的特征集合,在最后的分类器设计中,使用基于L-M(Levenberg-Marquardt)算法的BP神经网络。实验结果表明,本文方法明显优于先前的图像通用隐写分析方法。本文还研究了噪声对检测的影响过程,由于在检测之前对图像进行的预处理会带入噪声,并且由于秘密信息的嵌入本身就可以看作是噪声,所以在去噪的过程中能够保留由于嵌入秘密信息所带来的统计特性的敏感性,而去除由于图像处理所带来的噪声是一个比较困难的工作,本文采用了一种改进了的小波系数加权均值去噪方法,相比与其它去噪方法,图像的均方误差有明显的降低,而图像的峰值信噪比也有不同程度的提高,所以可以用在检测前对图像采用这种方法进行去噪。