1.一种基于CNN的自适应音频隐写方法和秘密信息提取方法，其特征在于：包括以下步骤：步骤1、构建训练集和测试集：将音频样本库中的音频信号裁剪成长度一致的音频段，每个音频段中设有m个采样值；并在音频样本库中选取部分音频段构建成训练集，剩余的音频段构建成测试集；m为正整数；

步骤2、在训练集中任意选取n个音频段，将其构成一个训练样本，并对该训练样本进行预处理，得到m*n的音频信号x；n为正整数；预处理的具体步骤为：步骤2‑1、对训练样本中每个音频段的m个采样值均进行归一化处理，使每个音频段中m个采样值均归一化到[‑1,1]内；

步骤2‑2、将每个音频段中m个归一化之后的采样值分别经过高阶滤波器处理，得到高阶滤波之后的采样值，并将其构建成m*n的音频信号x；

步骤3、随机生成n个长度为m的秘密信息比特流，并将其构建成m*n的秘密信息y；

步骤4、将步骤2中m*n的音频信号x和步骤3中m*n的秘密信息y进行维度叠加，得到m*2n的矩阵；

步骤5、将m*2n的矩阵作为输入数据，并将其输入到初始化的编码网络中，得到m*n的采样点修改向量E；其中，该编码网络为卷积神经网络；

步骤6、根据步骤5中得到的m*n的采样点修改向量E与步骤2中m*n的音频信号x得到隐写音频s；计算公式为：s＝x+E*α；

其中，α为预设的系数；

步骤7、将隐写音频s输入到初始化的解码网络中，得到解码后m*n的秘密信息y′；其中，该解码网络为卷积神经网络；

步骤8、计算解码网络中的损失函数LD，并根据该损失函数LD更新解码网络中的参数；解码网络中的损失函数LD的计算公式为：其中，yij为秘密信息y中第i行第j列对应的数值，y′ij为解码后的秘密信息y′中第i行第j列对应的数值；

步骤9、计算编码网络中的损失函数LE，并根据该损失函数LE更新编码网络中的参数；解码网络中的损失函数LE的计算公式为：其中，β和γ分别为控制自适应损失函数Le和解码损失函数LD权重的经验系数，xj为音频信号x中第j列所有行对应的数值，其为m*1的矩阵， 为卷积运算，f为任意阶数的高阶滤波器， 为对 运算后得到的m*1的矩阵中的每个数值取绝对值，并在其中选取出第i行对应的绝对值数值；xij音频信号x中第i行第j列对应的数值，σ为预设的常量，Eij为采样点修改向量E中第i行第j列对应的数值；

步骤10、重新在训练集中构建多个训练样本，并依次将每个训练样本采用步骤2～步骤

9中相同的方法对上述更新后的编码网络和解码网络继续进行训练，直至训练集中的所有训练样本按预设的训练圈数对编码网络和解码网络的训练后，得到训练完成的编码网络和解码网络；

步骤11、将需要发送的秘密信息转换成二进制比特流，并将其构建成m*k的秘密信息y″，并在测试集中任意选取k个音频段，将其构建成m*k的测试样本x″；最后，将测试样本x″和秘密信息y″按照步骤2～步骤4中的处理后，则输入到训练完成的编码网络中，并根据步骤6中的计算后得到隐写音频s″，k为正整数；

步骤12、将步骤11中得到的隐写音频s″输入到训练完成的解码网络中，即得到从隐写音频s″中提取出的秘密信息。

2.根据权利要求1所述的基于CNN的自适应音频隐写方法和秘密信息提取方法，其特征在于：所述步骤5中的编码网络包括依次连接的N个卷积块层、1个卷积层和第一激活函数，所述每个卷积块层中包括依次连接的卷积层、归一化层和第二激活函数，N为正整数。

3.根据权利要求2所述的基于CNN的自适应音频隐写方法和秘密信息提取方法，其特征在于：N＝7。

4.根据权利要求2所述的基于CNN的自适应音频隐写方法和秘密信息提取方法，其特征在于：所述第一激活函数采用TanH激活函数；所述第二激活函数采用ReLU激活函数。

5.根据权利要求1所述的基于CNN的自适应音频隐写方法和秘密信息提取方法，其特征在于：所述步骤7中的解码网络包括依次连接的M个卷积块层和1个卷积层，所述每个卷积块层中包括依次连接的卷积层和第三激活函数，M为正整数。

6.根据权利要求5所述的基于CNN的自适应音频隐写方法和秘密信息提取方法，其特征在于：M＝7。

7.根据权利要求5所述的基于CNN的自适应音频隐写方法和秘密信息提取方法，其特征在于：所述第三激活函数采用ReLU激活函数。