1.一种基于卷积神经网络的图像隐写分析方法，其特征在于，包括以下步骤：S1：设计实验所需的图像数据库，对图像数据库中的图像进行裁剪、压缩和隐秘信息嵌入，得到载密图像；将原始图像和载密图像分为互不相交的训练集、验证集和测试集；

S2：设计基于卷积神经网络的网络模型，所述的网络模型包括预处理层、使用卷积层和池化层的特征提取层、全连接层和Softmax函数的特征分类层；

所述预处理层对输入的图像进行解压缩到空域，然后使用多方向多尺度的Gabor滤波器与解压缩的图像进行卷积，最后对得到的图像残差数据通过截断函数进行截断操作；所述截断函数如下：所述f(x)表示截断函数，x表示图像残差数据，T表示截断阈值；

S3：根据实验结果设计预处理层滤波器的初始化参数；

S4：将训练集的图像进行数据增强后输入S2的基于卷积神经网络的网络模型进行训练；

S5：选取步骤S4中训练后得到的最优的N个基于卷积神经网络的网络模型对测试集的图像进行分析，所述的N是正整数。

2.根据权利要求1所述的图像隐写分析方法，其特征在于，所述的S3包括以下内容：预处理层采用Gabor滤波器对解压到空域的图像进行图像残差数据提取，所述的Gabor滤波器的核函数由一个高斯函数和余弦函数相乘得到，通过下式进行表达：′ ′

其中，所述的x＝xcosθ+ysinθ和y＝‑xsinθ+ycosθ表示图像的像素，λ表示Gabor核函数中余弦函数波长，θ表示Gabor函数并行条纹的方向，φ表示Gabor核函数中余弦函数相位偏移， σ表示Gabor核函数中高斯函数的标准差， 表示Gabor核函数中余弦函数波长，γ为空间纵横比，表示Gabor滤波器的椭圆度，γ＝1；所述的θ和σ通过实验确定。

3.根据权利要求2所述的图像隐写分析方法，其特征在于，所述的方向参数θ是

4.根据权利要求2或3所述的图像隐写分析方法，其特征在于，所述的σ＝{0.75,1}。

5.根据权利要求4所述的图像隐写分析方法，其特征在于，所述的S4包括以下内容：将原始图像和载密图像随机选择顺时针或者逆时针旋转90度后输入基于卷积神经网络的网络模型。

6.根据权利要求5所述的图像隐写分析方法，其特征在于，所述的S5包括以下内容：选取S4中在验证集上表现性能最好的5个网络模型用于测试集，将5个网络模型对测试集输出的两个类别的预测概率的平均值作为分析结果。

7.根据权利要求6所述的图像隐写分析方法，其特征在于，所述的S1的图像数据库为BOSSbase v1.01数据库。

8.根据权利要求7所述的图像隐写分析方法，其特征在于，所述的S1的秘信息嵌入是通过隐写算法J‑UNIWRD和自适应隐写算法UED实现的。

9.基于权利要求1～8的一种基于卷积神经网络的图像隐写分析系统，其特征在于，包括图像预处理部分、特征提取部分、特征分类模块。