随着互联网技术在近些年来快速的发展和应用,信息安全问题受到了人们越来越多的关注。数字隐写术作为一种安全通信的手段通过对载体的修改来实现信息的隐藏。但是隐写术也可能被用于非法应用。因此研究用于检测隐写术是否被使用的隐写分析技术具有重大意义。一般来说,隐写分析可以看成是一个典型的二分类问题,其目标为区分正常的载体和含密载体。其中特征提取是现阶段隐写分析领域中一个非常关键的问题,且传统的方法中主要依赖于人工设计的特征。近些年来,虽然隐写分析研究领域取得了较大的进步,但是不断提出的先进隐写术给隐写分析带来了更加严峻的挑战。传统基于人工设计特征的方法研究也变得更加困难。本文主要围绕图像隐写分析这一研究方向,从特征学习的角度研究隐写分析中的极为关键的特征表达问题。本文的主要贡献归纳如下:1.提出了一种基于深度学习的隐写分析框架,有效建立了隐写噪声特征表达的自动学习方式。通过不同的隐写算法进行检测,证明了所提出的方法的有效性。2.提出了一种基于全局信息约束的隐写分析特征学习方法,通过利用模型正则化方法将辅助特征中的全局统计信息引入到深度学习模型训练中,帮助深度学习模型获得更好的隐写分析特征表达实验表明,该方法能够提升模型的整体隐写分析性能。3.提出了一种基于迁移学习的低嵌入率含密图像隐写分析方法,通过迁移高嵌入率图像中的隐写相关信息来帮助低嵌入率隐写分析深度模型的训练,有效解决了深度模型训练过程中对低嵌入率隐写图像较难收敛的问题。4.提出了一种基于卷积神经网络模型的多任务多类隐写分析方法,通过多类隐写算法混合训练结合多任务学习的方式,有效提升多分类隐写分析方法的泛化性能。