隐写术和隐写分析作为信息隐藏的研究热点,近年来受到学术界越来越多的关注,目前隐写术的主要研究成果是内容自适应隐写术,其思想是将嵌入信息隐藏到图像的纹理区域,以达到难以侦察的目的。作为隐写术的反检测技术,隐写分析与隐写术相生相克,目前基于深度学习的隐写分析的研究热点主要集中于针对自适应隐写术的被动隐写分析。本文针对内容自适应隐写术的被动隐写分析与隐写定位问题展开研究。目前基于深度学习的图像被动隐写分析许多研究中,多存在无法避免隐写信号随着网络加深而丢失问题、以及需要借助传统隐写分析方法加入选择通道的先验知识的问题。本文提出融合残差学习和通道建模隐写分析网络SERGO＿NET,在网络的预处层中,将富模型中特定权重的SRM滤波器和自动学习权重的Bayar滤波器相结合用于提取图像的残噪图像;在特征提取层中,提出SER＿BN残差模块,该模块用于避免信息隐写信息丢失问题,并融合注意力机制可进一步扩大有效通道的权重,使得图像检测准确度得到有效提升。实验中,基于BOSSbase v1.01数据源,采用自适应隐写算法S-UNIWARD在嵌入率为0.1bpp-0.4bpp获取不同嵌入强度的隐写图像,条件实验证明采用本文的隐写分析网络SERGO＿NET与被动隐写分析网络Yenet相比,检测准确度精度提升2%～3%。由于被动隐写分析往往只能判别载体图像中是否存在隐密信息,并不能对隐密信息的具体位置进行标识,为进一步增强隐写分析的实用性,本文对自适应隐写术和非自适应隐写术LSB matching的隐写定位问题展开研究,并提出一种端到端的隐写定位网络PSL＿NET。在输入端输入一张图像,输出端获得这张图像的隐写定位图。在预处理层中,利用空域富模型中的SRM滤波器提取残噪图像;在深度残差层中,通过深度残差学习增强隐写特征的表达能力;在像素预测层中,利用标记出隐写像素实际位置的掩码图像进行有监督地学习,加强网络对局部隐写像素的感知能力,无区别对待平滑或者纹理区域的像素,逐一预测载体图像每位像素是否经过隐写的概率,最终预测出隐写像素的位置。在BOSSbase v1.01数据集上的实验表明本文所述的算法PSL＿NET能较为精准地对经自适应隐写算法S-UNIWARD在不同负载下嵌入的隐写图像、经非自适应隐写术LSB matching嵌入的隐写图像进行隐写定位。