GIF动态图像凭借其高度贴合情感表达,以及动态趣味性在社交平台上广受关注,掀起了全民动态图像创作热。随着GIF动态图像的流行在各大社交媒体平台上也广泛应用,逐渐在广告等商业领域开启商业化应用。GIF动态图像的商业化应用为其版权保护提出更高的要求。数字水印技术是信息安全领域的重要研究热点,其中鲁棒性水印将是版权保护的有效手段,现有GIF图像的水印研究主要集中在脆弱水印,缺少针对GIF动态图像这一载体的鲁棒性水印方法。不同于其他格式的图像,GIF动态图像的时序信息也需要更高的设计要求。随着深度学习的高速发展,卷积神经网络已成为计算机视觉领域的有效工具。因此,本文利用深度学习对GIF动态图像鲁棒性水印展开研究,主要研究成果如下:（1）提出基于三维卷积的GIF动态图像鲁棒性水印方法,针对GIF动态图像的时间维度,使用三维卷积神经网络同时提取时空特征,实现端到端的水印图像嵌入和提取。考虑真实应用场景下嵌入商标图像,以彩色图像作为水印信息。其中,预处理器对水印图像构造时序特征,自动学习更适应嵌入的静态水印图像特征,可实现较大容量嵌入。通过在噪声层模拟常见图像处理操作,以获得鲁棒性,同时针对帧层级的噪声攻击,设计帧删除和帧置换噪声类型以抵抗相应噪声干扰。（2）提出基于GAN的水印方法,在提出的水印方法基础上进一步优化生成的含水印图像,增加对抗网络同时改进训练方式,真实模拟高强度的帧删除噪声类型。通过对抗网络与生成器进行对抗训练以促进生成器优化,设计分阶段方式训练,专注于网络的现阶段目标,在此基础上可免与对噪声类型的模拟时的连续可微要求,更加还原实际可能遭受的帧层级噪声删除攻击,实现水印方法的抗帧丢失。实验结果表明,对抗网络和分阶段式训练可提升方法性能,生成高质量的含水印图像。