在图像信息安全领域中,隐写术与隐写分析方法一直以提高识别准确率为最终目标,如今也取得了许多耀眼的研究成果。在模型效果越来越好的过程中,模型结构也越来越复杂,训练和检测所需时间也越来越多。众所周知,模型优化过程中所需的训练和测试时间越久,模型后续工作开展的效率就越低。本文以识别准确率损失不超过百分之五为前提,尽可能缩短隐写分析模型的训练时间长度为目标,在Windows环境下基于Caffe1.0提出了两种面向空域灰度图像的高效率CNN隐写分析模型。主要工作如下:1.本文构建了一个新的三层CNN模型——X-Net,进行高效率的图像隐写分析。输入网络的图像尺寸为128×128,采用HPF层进行图像预处理。三个卷积模块中包括不同数量与大小卷积核构成的卷积层、批量归一化、激活函数和池化层,在第一个卷积模块中使用64个3×3大小的卷积核,第二、第三个卷积模块分别采用32个、16个1×1大小的卷积核来提取图像隐写特征。其中仅有第一个卷积模块中使用了ABS层,最后一个卷积模块使用了全局平均池化层。输出模块中包含两个全连接层,使用的是Re LU激活函数,以及softmax层用来进行最终结果分类。最终实验分析得出X-Net的识别准确率明显高于Yedroudj-Net,略低于SCNN,但训练与测试时间均少于以上两种模型的结论,基本达到研究目标。2.为了进一步提高X-Net模型的效率,本文提出了识别准确率更高且所需训练时间更短的QX-Net模型。QX-Net模型同样采用HPF层进行图像预处理,不同之处在于三个卷积模块中的BN层、池化层与卷积层都进行了流合并处理,即将BN层的计算代入卷积层的卷积运算中,两者合并为一个计算,卷积层步长更改为池化层的步长2,这样既能降低隐写特征信号在卷积模块中的损失率,又能减少需要计算的参数量。最后输出模块的两层全连接层由一层全局平均池化层代替。通过进行了各项对比实验,得出了QX-Net比X-Net更加高效率化的实验结果。最后在Windows操作系统环境下,采用Python编程语言和Py Qt5设计出了以QX-Net模型为核心的隐写分析识别系统,能够简单快速的对输入的图像是否包含载密信息进行判断。