随着互联网技术的快速发展和广泛应用,信息安全问题成为当下备受关注的研究热点。隐写术是一种通过对载体的修改来实现信息隐藏的安全通信手段。然而,隐写在为人们提供可靠安全的通信手段的同时,也可能被非法应用。因此,隐写分析技术的研究具有重要意义。近年来,虽然隐写分析研究领域已经取得了较大的进步,但是不断提出的先进隐写术仍给隐写分析带来了严峻的挑战。本文基于深度学习方法研究通用隐写分析问题,从特征学习的角度研究隐写分析中的特征表达问题,主要工作如下:为了提高图像隐写分析方法对小嵌入率隐写术检测的准确性,提出一种基于高度模块化网络结构的图像隐写分析方法。首先,通过重复残差网络单元构建基础网络模型,以提取数字图像中的复杂统计特性;然后,增加分组卷积以提取残差图像通道信息,加强来自隐写信息的信号特征;最后,利用大量数据集对网络进行训练,得到了基于模块化残差网络的图像隐写分析方法。实验结果表明,所提方法相较于现有算法可以提取更有效的图像特征,从而得到更好的检测效果。同时,利用残差网络块作为模板,可以很容易地搭建网络模型,便于网络的调整和训练。为了提高对内容自适应隐写算法的检测准确率,提出了一种基于多样化激活模块和残差结构相结合的图像隐写分析方法。该方法根据内容自适应隐写算法的自身特点,在特征学习过程中采用多类激活函数,并将多样激活函数与分组卷积结合成多样化激活模块,用以捕捉更多的隐写嵌入所留下的痕迹,增加特征的多样性。实验结果表明,该网络可以有效地检测内容自适应隐写算法。