1.一种基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：所述方法对应的网络框架包括特征提取子网络 隐写分析子网络 和载体来源判别子网络其中θf、θy、θd分别代表各个子网络的网络参数，所述方法包括，S1，输入源域数据 目标域数据 对抗训练因子λ、学习率η；

S2，通过特征提取子网络输出隐写分析特征向量F；

S3，隐写分析特征向量F经隐写分析子网络输出得到二元隐写预测概率 计算二元隐写预测概率 与原始隐写标签y的交叉熵损失ly，并据此通过反向传播误差与梯度下降算法更新网络参数θy，其中y∈{0,1}，当y取值0时代表原始载体而取值1时代表隐写载体；

S4，隐写分析特征向量F经载体来源判别子网络输出得到载体来源预测概率值 计算载体来源预测概率值 与原始隐写标签d的交叉熵损失ld，并据此通过反向传播误差更新网络参数θd，其中d∈{0,1}，当d取值0时代表源域而取值1时代表目标域。

2.根据权利要求1所述基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：所述S2中特征提取子网络包括音频预处理层和音频预处理层后的4个级联的卷积组，即第1卷积组、第2卷积组、第3卷积组、第4卷积组。

3.根据权利要求2所述基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：所述音频预处理层由4个1×5卷积核D1～D4组成，初始权重分别为：D1＝[1,-1,0,0,0]，D1＝[1,-2,1,0,0]，D1＝[1,-3,3,1,0]，D1＝[1,-4,6,-4,1]；

所述第1卷积组包括1×1的第一卷积层、1×5的第二卷积层和1×1的第三卷积层；

所述第2卷积组、第3卷积组、第4卷积组均包含一个1×5卷积层、1×1卷积层和均值池化层，其中第4卷积组的均值池化层为全局均值池化层；

所述隐写分析特征向量为256维向量。

4.根据权利要求2所述基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：所述音频预处理层采用差分滤波设计。

5.根据权利要求1所述基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：所述隐写分析子网络包括全连接层和隐写标签预测层，所述全连接层为两层级联，分别包括128个神经元和64个神经元。

6.根据权利要求1所述基于卷积神经网络和领域对抗学习的音频隐写分析方法，其特征在于：所述载体来源判别子网络包括梯度反转层、领域判别层以及领域标签预测层，所述梯度反转层在前向传播阶段保持输入和输出数据的恒等映射，在误差反向传播阶段反转误差的梯度值分别表示为，Forward:F(x)＝x

其中，F(x)表示梯度反转层的等效函数式，I为单位矩阵。

进一步的，所述S3中更新网络参数θy和S4中更新网络参数θd通过如下公式进行优化求得，其中， 分别代

表各个子网络确定的网络参数，n为源域数据训练样本个数，m为目标域数据训练样本个数。