随着信息技术和网络通信技术的迅猛发展,隐写分析已成为信息隐藏领域的重要课题,作为隐写术的对立面,隐写分析的目的是对检测对象是否含有隐密信息做出判断,以及估计检测对象里隐密信息的长度并提取出来。通用隐写分析是在隐写方法未知而只拥有检测对象的情况下进行的,它是隐写分析发展的必然趋势。目前,JPEG图像是最常用的图像存储格式,越来越多的隐写系统开始选择JPEG图像作为载体图像,因此,针对JPEG图像的通用隐写分析研究具有十分重要的现实意义。从理论上来说,图像通用隐写分析在提取特征值环节中,应当尽量从多角度提取出有效的特征值,以提高检测率。本文提出的针对JPEG图像的多特征值隐写分析算法,从不同角度提取了基于DCT域的统计特征值、基于Markov模型的特征值和基于多向概率转移矩阵特征值,这三类特征值是基于DCT系数从三个角度提取的而且对图像隐写比较敏感。测试实验结果表明,多特征值算法具有一定的优越性。通过对多特征值算法的进一步分析研究,从实验数据中发现由于特征值维数偏高,导致多特征值并没有完全发挥出所有特征值的作用。针对这一问题,本文提出了一种新的针对高维特征值的通用隐写分析模型,该模型将多特征值分成五个特征子集进行局部分类,所得的分类结果采用贝叶斯最小风险决策融合理论决策出最终结果。测试实验结果表明,该模型很好的克服了特征值维数过高对分类器造成影响这一问题,并且通过融合理论使得对各隐写算法的检测率显著提高。