音频隐写主要利用音频的冗余空间嵌入秘密消息,具有较强的隐蔽性。与之对应的音频隐写分析则是分析可疑音频,判断其是否携带秘密消息,甚至提取秘密消息。传统音频隐写分析方法基于人工特征提取,普遍存在检测准确率低、通用性较差的问题。现有基于神经网络的音频隐写分析方案检测准确率仍有待提高,且未考虑不同时长音频的隐写检测,同时大部分模型的参数规模较大,对运行环境有较高的要求。针对上述问题,本文主要研究工作如下:1.提出了一种融合多尺度卷积和残差网络的音频隐写分析模型。基于WAV音频隐写算法的特性,本文提出的模型使用高通滤波器对原始音频数据进行预处理,抑制音频内容对隐写特征提取的负面影响,锐化隐写嵌入噪声。该模型引入了多尺度卷积和残差网络的特性,提取不同尺度的深层次隐写特征并加以融合。与其它隐写分析模型不同,该模型未使用全连接层,而是使用1×1卷积层把特征图的维度调整到类别数,运用全局平均池化聚合特征,送入Softmax分类器获得分类概率,解决了不同时长音频的隐写检测问题。实验结果表明,针对不同嵌入率的WAV音频隐写算法,该模型的检测准确率都要优于现有的隐写分析方案。其中,对于嵌入率为0.1的最低有效位匹配隐写算法,该模型检测准确率达到69.87%,相比其它隐写分析方法提高了10%以上。该模型直接用于检测与训练集不同时长的音频时,检测准确率优于现有隐写分析方案。2.提出了一种基于Res Ne Xt的轻量级AAC音频隐写分析模型。基于对AAC隐写算法特性的分析,本文提出的模型选择AAC音频的QMDCT系数矩阵作为输入数据。为了增强载体音频和载密音频之间的隐写差异,通过实验选择了适合AAC隐写分析任务的高通滤波器对输入数据进行预处理。参考Res Ne Xt模型组建了残差学习模块,提取数据中的深层次隐写特征信息。最后根据提取到的特征进行分类,得到隐写分析结果。实验结果显示,该模型可以用于检测不同嵌入率的AAC隐写算法。即使在嵌入率为0.1的情况下,模型对基于Huffman码字映射的隐写算法的检测准确率为85.5%,明显优于其它隐写分析方案。同时,该模型的参数更少,占用空间更少,更加轻量高效。综上,本文聚焦音频隐写分析的研究,提出了两种基于神经网络的音频隐写分析方案,提高了音频隐写分析的检测准确率,同时应用场景更加广泛。