本发明公开一种面向卷积神经网络隐写分析的优化方法，包括：可视化同类样本的类内聚集度：采用非线性的t‑sne降维算法将每一个样本点对应的特征集降维到二维可视的情况下进行观察。隐写检测样本集的变异系数：为了消除量纲和测量尺度对于衡量样本聚集程度的影响，因此选择变异系数测量样本的离散程度进而反应CNN隐写分析算法特征学习能力。变异系数的值和样本的离散程度成正相关，样本离散程度越大，变异系数越大；样本越聚集，则变异系数越小。基于变异系数后验调整特征集：加入一个特征筛选层来对算法学到的特征进行人工过滤，去除一些不利于后期分类的所谓的“坏”特征，既能一定程度提高算法的准确率还能再次验证变异系数的衡量有效性。