作为信息安全领域的热点,隐写术和隐写分析技术一直在相互对抗中共同进步。隐写术一旦被非法使用,将会威胁社会稳定甚至国家安全。故隐写分析技术的发展是十分必要的。为了促进基于深度学习的隐写分析技术的发展,减少隐写分析技术中先验知识的使用与人工的参与,设计了一种能对不同分辨率的图像进行隐写分析的端到端的深度学习隐写分析算法,主要工作如下:首先,设计了一种基于深度学习的图像隐写分析模型。预处理部分训练了一个基于卷积神经网络的图像去噪模块来获取无噪声的图像内容,再使用输入图像减去这个无噪声的部分即可获得图像的隐写噪声残差,这样做可以在减少人工参与的同时尽可能多地保留隐写噪声信息。模型的其余部分是对Yedroudj-Net进行改进得到的,为了提升网络效果,将前两层的卷积层替换为深度可分离卷积来获得特征的空间相关性,与此同时还减少了网络的参数量,加快了网络的计算速度。不仅如此,本文还加深了网络,使得模型可以提取到更多的特征,进而提高检测效果。除此之外,为了对不同分辨率的图像进行检测又不造成信息丢失,将空间金字塔池化加在卷积层和全连接层之间。其次,为了验证设计的模型的性能,建立了八个实验所需数据集。先将BOSSBase1.01数据集内的图像裁剪成两种分辨率的图像。再将每一种分辨率的图像分别使用WOW隐写技术以嵌入率0.2bpp和0.4bpp嵌入隐写得到两种载密数据集,再使用S-UNIWARD隐写算法以0.2bpp和0.4bpp的嵌入率对图像嵌入秘密信息得到另外的两种载密数据集。这样每种分辨率的图像就可以生成四种载密数据集,两种分辨率共生成八个载密数据集。最后,使用本文设计的模型对本文构造的数据集进行隐写分析,并以准确率作为标准来衡量该模型的检测效果。经实验证明,该模型实现了对图像的隐写分析,设计的用于预处理的图像去噪模块能有效地提取图像中的噪声残差,而且使用空间金字塔池化实现了模型对不同分辨率图像的隐写分析。