En los últimos años, se han logrado algunos resultados de investigación en el campo de la esteganálisis de imágenes. Sin embargo, aún existen problemas de dificultad en la extracción de características esteganográficas de imágenes con tasas de incrustación bajas y un rendimiento de detección insatisfactorio de la esteganálisis. En este documento, proponemos un método de esteganálisis de imágenes basado en el mecanismo de atención y aprendizaje por transferencia. El método construye un modelo de red basado en una red neuronal convolucional, que incluye una capa de preprocesamiento, una capa convolucional transpuesta, una capa convolucional ordinaria y una capa totalmente conectada. Introducimos el módulo de atención eficiente de canal después de la capa convolucional ordinaria para enfocarse en la región esteganográfica de la imagen, capturar la información de interacción local entre canales, realizar el ajuste adaptativo de pesos de características y mejorar la capacidad de extraer características esteganográficas. Mientras tanto, aplicamos el método de aprendizaje por transferencia para utilizar los parámetros del modelo de entrenamiento de imágenes con alta tasa de incrustación como parámetros de inicialización del modelo de entrenamiento de imágenes con baja tasa de incrustación para lograr la migración de características y mejorar aún más el rendimiento de esteganálisis de baja tasa de incrustación. Los resultados experimentales muestran que en comparación con los modelos típicos Xu-Net y Yedroudj-Net, la precisión de detección del método propuesto se mejora en un 16.36% a 30.66% y en un 35.59 a 37.83% para las tasas de incrustación de 0.05 bpp, 0.1 bpp y 0.2 bpp, respectivamente. En comparación con el modelo Shen-Net de última generación con tasas de incrustación bajas, la precisión de detección se mejora en un 3.43% a 6.41%. Esto demuestra el mayor rendimiento de detección del método propuesto para la esteganálisis de imágenes con baja tasa de incrustación.