隐写技术是将秘密信息隐藏在载体中,尽可能不引起第三方怀疑地通过公共信道发送出去;隐写分析是隐藏信息检测的一个重要分支,主要是针对图象、声音、视频等多媒体数据,在对隐写算法或隐藏信息一无所知的前提下,单从所观察的多媒体数据中,检测或预测出隐藏信息。目前,已经提出了一些隐写分析检测算法,根据算法的适用对象,隐写分析技术可分为两类:特定隐写分析和广义隐写分析。目前,大多数隐写分析算法都属于特定隐写分析算法,这类算法的检测率较高,针对性强,但考虑到当前隐写技术的多样性,该类算法的实际应用受到限制。而广义隐写分析适应性强,可以针对任意隐写技术进行训练,但目前检测率普遍较低。本文针对这一现状,首先分析了现有的特定隐写分析算法,并对其中的RS检测算法提出了改进。在此基础上深入研究基于图象的广义隐写分析算法,通过使用多变量分析法(ANOVA),从26种现存的图象质量度量(Image Quality Metrics)标准中,选取了4种对信息隐藏的分析效果最好的度量标准,运用误差反传(Back Promulgate)神经网络对图象进行机器学习,并将其用于可疑图象的检测分类。经实验证明,该方法具有较普遍的适应性。最后,将这一算法与特定隐写分析方法相结合,提出了一种改进方法,使得最终算法的准确率也大大提高。