本文面向基于AI的人脸识别系统中敏感生物特征数据在训练与共享过程中的隐私与完整性保护问题展开研究。现有视觉秘密共享（Visual Secret Sharing, VSS）方案将人脸图像分割为多个看似噪声的秘密份额，并分发至不同机构，但这类噪声样式的份额极易被识别为加密内容，从而成为定向收集与“先获取后解密”攻击的目标；同时，传统VSS缺乏篡改检测能力，攻击者可通过修改份额破坏重建图像的正确性。为此，作者提出一种新的秘密共享框架：利用自适应最低有效位（LSB）隐写技术，将原本噪声形式的秘密份额嵌入到具有视觉意义的封面图像中，使传输内容不再显眼，同时保证视觉透明性与完全隐私；并在此基础上结合强数字水印与密码学哈希构建双层认证机制，对份额完整性进行可靠验证。实验在多个公开人脸数据集上进行，结果表明该方法在保持甚至提升人脸识别准确率的同时，有效消除了份额的可疑性，并能抵御比特翻转、裁剪和替换等常见篡改攻击。该框架为人脸数据保护建立了兼顾隐私、安全与完整性的新标准。