数字水印以人眼不易察觉的方式将秘密信息隐藏在载体对象中,以实现对目标的版权保护、身份认证、篡改检测等。其中,可逆水印技术能够无损恢复原始数字载体,在如档案图像、医学图像、军事图像等对原始数据有高质量要求的领域具有重要的意义。近年来,深度学习技术发展迅速,在很多研究领域都取得了巨大突破。但由于可逆水印算法往往涉及一些复杂而又巧妙的机制设计,以此在保证可逆性的同时兼顾水印容量和图像质量,而深度神经网络缺乏透明性和可解释性,难以实现完全可逆的机制,因此基于深度学习技术的方法研究还不多。针对这一问题,本文通过对相关领域的深入研究,提出了基于深度学习的可逆水印算法,较大提升了水印容量和图像质量,而且在参与导师的档案项目中得到应用和验证。具体如下:（1）为了利用深度学习技术对复杂图像的建模能力,本文提出了一种基于深度学习像素预测的可逆水印算法,该算法使用深度模型重构传统水印算法中的预测模块,通过提高预测精度进而大幅提升算法的性能。首先,算法借助残差块的结构构建更深的网络,扩大了模型预测时的感受野。其次,使用掩膜卷积代替传统的卷积核,屏蔽未预测像素对预测结果的干扰,实现因果预测。然后,将Nonlocal（Non-local Neural Networks,Non-local）注意力层接入网络的中间位置,通过深度融合全局特征之间的依赖关系,进一步提升预测精度。最后,将预测模型与预测误差扩展算法结合,实现水印的嵌入与提取。该模型兼容大部分基于图像预测的经典算法,具有一定的通用性。实验结果表明,该算法相比预测误差扩展算法而言,极大地提升了算法的水印容量和图像质量,取得了较好的效果。（2）为了进一步提升水印容量,本文提出了一种基于对抗网络多位平面预测的可逆水印算法MBPP-WM（Multiple Bit-Plane Prediction Watermarking Network,MBPP-WM）。首先,算法将RS（Regular-Singular,RS）算法中关于规则块和奇异块的概念推广到单个像素上,基于对抗网络的思想构建位平面预测模型实现对图像某一位平面的较精确预测,以预测结果作为像素点类型的判别函数,这样的机制不会产生不可用块,大大提升了算法的水印容量。然后,算法在水印信息的头部加入记录载荷长度的字段,能够自适应地控制图像质量。最后,算法利用图像不同位平面之间的相关性,提出了多位平面预测策略,将水印信息嵌入到多个位平面上,使得算法理论嵌入率高达2 bpp（bit per pixel,bpp）,显著高于一般算法,并有进一步扩展的空间。实验结果表明,该算法相比RS算法及其改进算法而言,实现了更大的水印容量,尤其适用于前后景分明的图像。（3）针对档案数字化建设中出现的信息安全问题,同时档案图像的机密性要求其数据不能被修改,因此针对档案图像特点和需求,在前两个算法的基础上,本文提出了一种面向电子档案图像的可逆水印算法。首先,算法将高分辨率的档案图像分割成多个互不重叠的图像块。然后,通过基于支持向量机（Support Vector Machine,SVM）设计的判别器将图像块分为嵌入块和非嵌入块两类,对每个嵌入块作为一个独立单元嵌入一份完整的水印信息,使得水印信息能够以平铺的方式充分嵌入在档案图像需要保护的文字区域之上,同时避免了对大量无用的背景区域进行嵌入,兼顾了水印保护性能和图像质量。最后,将所有图像块按原来的相对位置重新组合成为含水印图像。此外,目前缺乏有效的电子档案图像标准样本库,因此本文还自建了档案数据集,用于深度学习模型的训练。实验结果表明,该算法具有较大的水印容量,并能在充分保护档案图像的同时实现较高的图像质量,表现出了较好的性能。