1.一种基于神经网络的鲁棒数字水印嵌入方法，其特征在于，采用水印嵌入网络对载体图像进行水印嵌入，所述水印嵌入网络包括水印图像处理网络和载体图像处理网络；所述水印图像处理网络和载体图像处理网络均包括n层网络层，且n为奇数；所述水印嵌入网络对载体图像进行水印嵌入的方法为：步骤1：将大小为w”×h”×1的水印图像w输入至水印图像处理网络，将大小为w'×h'×

3的载体图像c输入至载体图像处理网络；w'和w”分别表示载体图像c和水印图像w的宽度，h'和h”分别表示载体图像c和水印图像w的高度；

步骤2：将水印图像处理网络中第u层网络层的输出wi的大小调整为w'×h'；i＝1,2,

3,....,n；

步骤3：将wi与载体图像处理网络中第i层网络层的输出ci级联，将级联后的结果oi作为载体图像处理网络中第i+1层网络层的输入；

*

步骤4：对on进行卷积操作，得到含密图像c。

2.根据权利要求1所述的一种基于神经网络的鲁棒数字水印嵌入方法，其特征在于，所述水印图像处理网络和载体图像处理网络结构相同，每一层网络层均包括依次连接的卷积层、批量归一化层和激活层。

3.根据权利要求1所述的一种基于神经网络的鲁棒数字水印嵌入方法，其特征在于，所述水印图像处理网络中的第n‑j层与第j+1层跳跃连接，其中 为向下取整；所述载体图像处理网络的第n‑j层与第j+1层跳跃连接， 为向下取整。

*

4.一种基于神经网络的鲁棒数字水印提取方法，其特征在于，具体为：将含密图像c 输*

入至提取网络，提取网络输出水印图像w。

5.根据权利要求4所述的一种基于神经网络的鲁棒数字水印提取方法，其特征在于，对水印嵌入网络和提取网络进行训练时，采用对抗式训练对水印嵌入网络和提取网络进行联合训练。

6.根据权利要求5所述的一种基于神经网络的鲁棒数字水印提取方法，其特征在于，对水印嵌入网络和提取网络进行训练时，整体的损失函数为：* *

L＝λ1||c‑c||1+λ2||w‑w||2* * *

其中,||c‑c||1表示原始载体图像c与含密图像c的L1距离，||w‑w ||1则表示原始水印*

图像w与提取的水印图像w的L2距离，λ1和λ2分别为超参数。

7.根据权利要求5所述的一种基于神经网络的鲁棒数字水印提取方法，其特征在于，所述对抗式训练时采用的攻击方式包括高斯噪声攻击，JPEG压缩攻击，高斯模糊攻击和缩放攻击。