图像隐写就是在满足不可察觉性的前提下将秘密信息嵌入图像中,然而,在实现秘密通信的同时它也很有可能被犯罪分子所利用,从而危害国家安全。图像隐写分析作为图像隐写的对立面,主要目的就是为了检测在信道传输的图像是否存在秘密信息来防止违法犯罪。因此,对图像隐写分析的研究具有重要意义。近些年,CNN以其优越的性能在图像隐写分析中占据了优势,其中以选择信道信息作为辅助信息的算法取得良好的发展势头,然而,该方法也存在一定的不足之处:选择信道信息的提取具有耗时的特点;以像素点为支线任务学习选择信道信息的样本不均衡;误检率仍较高等。为此,本文在深度学习理论指导下,在前人空域图像隐写分析的研究基础上,对空域自适应隐写算法以及编码算法研究后做了以下工作:（1）提出了一种基于多任务学习和图像块回归学习的隐写分析算法。经过对隐写算法的研究发现,纹理区域中越复杂的区域像素点改变的概率越大,像素点改变的数量也越多。为此,提出了一种以图像块回归学习作为支线任务的算法。其中每个图像块内的标签值便为各个图像块内改变的像素点个数,标签值越大,则纹理复杂度越高;若为0,则说明该图像块位于平滑区域,支线网络通过学习到这些信息,可以辅助主干网络对纹理区域的识别。此外,通过对载体图像和载密图像的对比可以发现,在不同嵌入率以及不同隐写算法上改变的位置是固定的。为此,还提出了一种基于迁移学习的方法,即先训练高嵌入率（0.5bpp）的网络,当训练低嵌入率（0.1bpp-0.4bpp）时,预加载高0.1bpp的网络,再进行微调。实验结果表明,算法的取得了较为优良的实验结果,在高嵌入率上的误检率最高降低了约1%,在低嵌入率上缩短了接近一半的训练时间。（2）在图像块回归学习作为支线任务的基础上,提出了一种全新的用于图像隐写分析的深度残差网络。考虑到嵌入率为0.1bpp时,基于浅层网络的表现的误检率仍然较高,为此,主干网络结合了“越深越好”的思想以及隐写的相关知识,将多种类型的残差模块加入到了主干网络中。最终,设计出了一个主要由9个残差块组成的深度残差网络。其中,考虑到噪声信息较为微弱,而池化操作本质上是一个低通滤波器,且会弱化部分有利特征。为此,在各个残差块的主线均不使用池化操作,而选择设置卷积核步长的方式进行降维。实验结果表明,本章算法不仅解决了在低嵌入率时误检率仍差于直接加入选择信道信息的方法的问题,在高嵌入率也误检率最高也降低了2%。