当今时代信息技术飞速发展,使得信息交流更加方便,与此同时,人们更加注重信息能否安全的传递到接收方。隐写技术是保证信息传输安全的一种有效方法,它在载体中嵌入秘密信息,然后通过公共信道无损失的传输,使得秘密信息不易被察觉,确保秘密信息可以安全的传输到接收方。然而这种技术也会被别有用心的人利用,威胁到社会的安全和稳定。在这样的背景下,隐写分析技术就显得尤为重要,顾名思义,隐写分析技术主要用来分析在公共信道传输的载体是否包含隐秘信息,它与隐写技术相互对抗。当前,隐写分析技术要解决的问题,可以看成二分类的问题,即区分载体是否包含隐秘信息。隐写分析技术大体可分为两类,传统的隐写分析技术和基于深度学习的隐写分析技术。传统的隐写分析技术,首先提取图像的不同维度的特征,然后进行分类,但是这种方法过于依赖设计者的经验,存在一定的局限性。本文主要研究基于深度学习的隐写分析,针对的载体类型为数字图像,论文的主要内容包括:(1)基于导向性多滤波核深度学习网络的隐写分析研究。这个工作分析了富模型的隐写分析方法中的滤波核,并结合了隐写的相关知识,在深度学习网络的预处理层中,使用了导向性多滤波核处理,这样既保留了预处理层增大信噪比的作用,又能为网络参数的学习起到一定的导向性作用,提出了一个解决隐写分析问题的深度学习网络结构,提升网络的检测性能。实验结果显示,经过导向性滤波核预处理的深度学习网络可以有方向性的去学习图像的特征,在嵌入率较高的情况下,检测的准确率要高于富模型的方法,并且检测的准确率相比于已有的一些深度学习隐写分析方法有所提高。(2)基于增强差异传递的隐写分析深度学习框架研究。这个工作应用了 RseNet网络的快速连接方式和DenesNet网络的稠密连接思想,考虑将网络中产生的特征图进行复用,使得特征的传递更加丰富,从而影响网络参数的学习。通过将前一层或者前几层卷积之后的残差,连接到后面几层中进行复用,提出了一个增强差异传递隐写分析深度学习新框架,进一步提升网络分类的准确性。实验结果表明,经过对网络加入增强差异传递的操作,确实对提高分类准确性有所帮助。