Στην σημερινή εποχή, η στεγανογραφία είναι ο κύριος τρόπος για την επίτευξη παράνομης μυστικής επικοινωνίας. Ως εκ τούτου, η ανάγκη ανίχνευσης στεγανογραφικού περιεχομένου και ιδίως στεγανογραφημένων εικόνων γίνεται επιτακτική. Ωστόσο, η στεγανάλυση είναι ένα πολύ δύσκολο έργο και η επιτυχία της εξαρτάται από πολλούς παράγοντες, όπως η παρουσία του μέσου στεγανογράφησης, τα αποδεικτικά στοιχεία του χρησιμοποιούμενου στεγνογραφικού αλγορίθμου κ.λπ. Οι πιο συνηθισμένες μέθοδοι στεγανάλυσης χρησιμοποιούν στατιστικά μέτρα για να αναγνωρίσουν στεγανογραφημένες εικόνες, ενώ οι πιο πρόσφατες χρησιμοποιούν τεχνικές βαθιάς μάθησης (deep learning). Οι τελευταίες χρησιμοποιούν κυρίως συνελικτικά νευρωνικά δίκτυα και παρουσιάζουν υποσχόμενα αποτελέσματα. Αυτή η διατριβή ασχολείται με ζητήματα που σχετίζονται με τη στεγανάλυση και ειδικότερα με τη στεγανάλυση εικόνων. Παρουσιάζονται οι βασικές έννοιες της στεγανάλυσης εικόνων μαζί με μια ταξινόμηση των διαφορετικών μεθόδων στεγανάλυσης που χρησιμοποιούνται από έναν εξεταστή ψηφιακών πειστηρίων. Επιπλέον, παρέχεται μια λεπτομερής επισκόπηση των προηγμένων μεθόδων που προτείνονται στη βιβλιογραφία. Η έρευνα επικεντρώνεται σε δύο μεγάλα ερευνητικά ερωτήματα, δηλαδή την πρόταση ενός νέου συνελικτικού νευρωνικού δικτύου και στη συνέχεια τη χρήση του ως εξαγωγέα χαρακτηριστικών. Η προτεινόμενη μέθοδος χρησιμοποιεί αρχικά ένα καινοτόμο συνελικτικό νευρωνικό δίκτυο - KarNet - για τον εντοπισμό στεγανογραφημένων εικόνων από δύο διαφορετικούς αλγόριθμους στεγανογραφίας, τους Spatial-Universal Wavelet Relative Distortion (S-UNIWARD) και Wavelet Obained Weights (WOW). Το προτεινόμενο συνελικτικό νευρωνικό δίκτυο συγκρίθηκε με άλλες προηγμένες τεχνικές βαθιάς μάθησης και τις ξεπερνά.