该研究提出一种结合量子密码、混沌理论和储层计算的混合图像加密系统，旨在应对传统加密方法在量子计算时代面临的挑战。随着量子计算的发展，RSA、DHKE等基于大整数分解的经典密码系统易受Shor算法和Grover算法的攻击。为此，论文设计了一个混合解决方案：采用E91量子密钥分发协议，通过量子纠缠生成安全且防窃听的密钥；引入Lorenz超混沌系统增强加密的不可预测性和初始条件敏感性，提升抗经典与量子攻击的能力；同时利用储层计算（一种递归神经网络变体）提高计算效率，加速加解密过程。实验在128x128图像上实现了最低0.0296秒的加密时间和0.0164秒的解密时间；在300-600节点网络中平均绝对误差（MAE）降低，且像素变化率（NPCR）大于99.6%，统一平均变化强度（UACI）大于0.49，各项指标优于传统方法。该工作为后量子时代的图像加密提供了兼具安全性与可行性的新思路。

本文提出了一种基于卷积神经网络（CNN）和动态S盒生成的图像加密算法，旨在克服传统固定S盒易受线性攻击和差分攻击的弱点。核心思想是利用CNN从输入图像中提取特征，并基于这些特征动态生成自适应S盒，从而实现像素级的替换加密。CNN训练后能够学习图像的内在特性，为每幅图像生成唯一且具有高度非线性的S盒，显著增强混淆效果。算法流程包括：使用CNN进行特征提取、根据特征生成个性化S盒、以及利用该S盒对图像像素进行替换。安全性评估采用熵、直方图分析、相邻像素相关性、NPCR（像素变化率）和UACI（统一平均变化强度）等指标，并与传统固定S盒方案对比。实验结果表明，动态S盒在抗统计攻击和结构攻击方面具有更强的鲁棒性，且加密结果对原始图像高度敏感，有效提升了加密灵活性和安全性。该研究适用于需要高安全级别图像传输的场景，如医疗影像、军事图像等。

本文提出了一种数据驱动的图像加密框架，通过SINDy-PI算法从观测数据中识别混沌映射的完整显式动力学方程（包括交叉项和高阶非线性项），从而替代传统加密方案中依赖预定义混沌映射的方法。该框架在三种不同的混沌系统上验证了其通用性：Hénon映射、三维logistic映射和分段线性Lozi映射。加密密钥仅由初始条件构成；映射结构本身变得依赖于训练数据，从而引入额外安全层。即使初始条件固定，不同的训练数据（例如含有微小噪声种子）也会导致略微不同的映射，进而产生完全不同的密文（NPCR约99.6%，UACI约33.5%）。在Hénon系统上的数值实验表明，信息熵接近理想值（约8位），像素间相关性可忽略，且对初始条件极端敏感：10^-16的扰动即导致解密完全失败。该方案能抵抗差分攻击和统计攻击，NPCR和UACI值均达到理论理想值。本工作建立了超越固定映射的混沌密码学新范式。