随着数字化科技的不断发展,数字图像信息因其具有较强的综合性和直观性等特点,在日常生活的各方面如通讯、教育、医疗等方面都得到广泛应用。同时,数字图像在存储、传输的过程中有可能会受到攻击者的非法盗取或篡改,这将损害合法信息持有者的利益,故研究出安全可靠的数字图像加密方案至关重要。因此,近年来很多信号处理的方法被应用到图像加密中,例如傅里叶变换、离散余弦变换、梅林变换、混沌映射及它们的分数阶版本等,但深度学习用于图像加密鲜有报道。本文设计了两种基于对抗神经网络的图像加密算法,并对其进行实验仿真与分析,最后的结果验证了这两种算法安全性高。主要研究内容如下:（1）为了克服线性图像加密系统对已知明文攻击或选择明文攻击的脆弱性,提出了一种基于对抗神经密码学结合安全散列算法SHA-256控制混沌系统的图像加密新方法。在此方案中,首先通过训练对抗神经网络（adversarial neural network,ANN）获得最优网络模型,然后将训练好的网络模型用于获得类似噪声的中间图像。随后,对中间图像执行基于Logistic映射的异或运算以获得最终密文。神经网络固有的非线性特性保证了所提出系统抵抗常见普通攻击的能力。借助明文依赖的SHA-256来控制Logistic映射,极大地提高了扩散性能,加密系统可以抵抗差分攻击。数值仿真结果证明了该方案的可靠性,有效性和安全性。（2）设计了一种基于有限域上的克罗内克积和对抗神经网络的图像加密算法。首先利用安全散列函数SHA-256把明文图像与密钥高度相关,并利用SHA-256生成的哈希值经过归一化来控制Logistic-Sine混沌映射,将明文像素值全部映射到有限域上,再借助有限域上的克罗内积变换来实现像素的置乱和扩散操作,最后经过神经网络的操作,对加密结果进一步地置乱。同样,由于神经网络具有固有的非线性特征,这意味着该加密系统具有高度非线性特征。此外,使用查表法构造基于G F（2 ~8）有限域上的加法和乘法运算,可以有效地提高运算速度并避免舍入误差。对所涉及的算法进行多方面的测试,仿真结果证实了本章算法具有较高的安全性和足够的密钥敏感性,对多种常见攻击具有良好的抵抗能力。