该文提出一组基于广义局部沃尔什变换(GLWT)的纹理特征。首先给出局部沃尔什变换(LWT)的定义，并在空域中对其加以推广，用以提取图像的局部纹理信息；然后在一个宏窗口中估计12个GLWT系数的二阶矩作为图像的纹理特征。对这组纹理特征的鉴别性能进行了分析，并与Haralick(1973)，Wang Li(1990)，以及Yu Hui提出的纹理特征进行了比较。实验结果表明，该文提出的纹理特征具有更好的鉴别性能和分类能力。

通过对Xu(2004)和Zhang(2004)提出的两种环签名方案进行分析，指出了这两种环签名方案都容易受到群成员改变攻击(group-changing attack)，并给出了攻击方法；另外，Zhang的方案还容易受到多已知签名存在伪造(multiple-known-signature existential forgery)攻击。为防范这两种攻击，对这两种环签名方案进行了改进，改进后的方案在最强的安全模型(Joseph, 2004提出)中仍是安全的。

针对目前图像隐写检测模型中线性卷积层对高阶特征表达能力有限，以及各通道特征图没有区分的问题，该文构建了一个基于多层感知卷积和通道加权的卷积神经网络(CNN)隐写检测模型。该模型使用多层感知卷积(Mlpconv)代替传统的线性卷积，增强隐写检测模型对高阶特征的表达能力；同时引入通道加权模块，实现根据全局信息对每个卷积通道赋予不同的权重，增强有用特征并抑制无用特征，增强模型提取检测特征的质量。实验结果表明，该检测模型针对不同典型隐写算法及不同嵌入率，相比Xu-Net, Yedroudj-Net, Zhang-Net均有更高的检测准确率，与最优的Zhu-Net相比，准确率提高1.95%～6.15%。

用H.263标准对甚低码率图像编码时，经过帧间预测后得到的运动补偿数据通常很小，对这些数据再进行DCT和量化后往往成为全零块，Alice Yu算法和周算法是预先判别全零系数块的较为有效的方法，但在对较为复杂的序列图像进行预测时分别出现了较大程度的误判和漏判。针对这些缺点，该文提出了一种新的全零系数块的判别方法，它具有能随量化级的变化自适应地调整全零块的判断阈值、无需任何附加运算和对图像序列内容复杂程度不敏感的优点，将该方法应用于H.263编码器中，对Miss America和News图像序列进行仿真实验。实验表明，大约有40％-80％的块可以在做DCT和量化前被判别为全零系数块，大大减少了编码的时间，同时图像质量的下降控制在0.0005 dB以内。