随着信息网络的飞快发展,人们每天通过网络传输着海量的隐私数据,数据传输的安全等问题也随之产生。信息隐藏技术通过隐藏隐私数据的存在,实现隐私数据传输的安全性保护。而文本作为日常生活中信息传输的载体,使用深度学习语言模型,实现文本隐写,对信息隐藏领域的发展具有重大的推动作用。然而现有的文本隐写方法生成的短隐写文本隐藏容量较小、多样性较差、使用场景有限。为了解决文本隐写所存在的问题,本文从多组主题约束和单组主题约束两个方面,对多样性长文本隐写方法展开研究,研究内容主要包括以下两点:1.多组主题约束。考虑到隐写文本隐藏容量较低、使用场景受限,本文设计了一种细粒度从句主题约束的多样性长文本隐写模型。首先,使用双向门控循环单元（Bi-directional Gated Recurrent Unit,BiGRU）和注意力机制提取长文本和层级从句语义特征,综合考虑从句-从句、单词-单词之间的语义关系,提升长隐写文本上下文语义相关性。其次,引入变分自动编码器（Variational Auto-Encoder,VAE）,完成主题特征对从句生成的细粒度约束,提升隐写文本多样性,丰富隐写文本使用场景。最后,提出左子树隐写嵌入方法,减小因嵌入容量而对文本质量产生的影响。实验表明,模型具有细粒度的主题表达能力,能够隐藏更多的隐私数据,并且生成的隐写文本和真实文本具有较好的不可区分性。2.单组主题约束。针对多组主题关键词约束下的模型通用性以及单组关键词特征覆盖等问题,本文设计了一种全覆盖主题特征分布的多样性长文本隐写模型。首先,对输入的全局主题关键词进行扩充和分组,并使用隐含狄利克雷分布（Latent Dirichlet Allocation,LDA）模型完成主题关键词和从句的相似性匹配。其次,使用Transformer对主题和长文本的关系表示进行特征编码,增强长文本的主题表达能力。最后,引入门控循环单元（Gated Recurrent Unit,GRU）和GPT-2预训练模型分别完成从句级别和单词级别的解码,并结合左子树隐写嵌入方法自动生成主题特征全覆盖的隐写文本。实验表明,模型具有单组主题特征合理有效分配的能力,并且生成的隐写文本具有较强的信息隐藏能力。