图像识别相关的深度学习技术在近些年取得了快速的发展。图像识别技术使机器具有了感知环境、识别物体的能力,极大推动了现代工业智能化的发展,可以看到有越来越多的相关应用相继落地。对抗样本通过在原始图像中添加人眼难以察觉的细微的扰动信息,就可以使深度学习模型产生错误的判别结果。对抗样本的存在给深度学习算法和模型造成了威胁,甚至影响了实际中相关深度学习应用的安全。特别是在自动驾驶、人脸识别和金融等对安全性要求比较高的领域,需要对对抗样本问题引起足够重视。因此,研究对抗样本防御技术具有十分重要意义。在深度学习图像识别领域中,主要的对抗样本防御方法可以分为对抗训练、模型优化、输入数据转换和对抗样本检测四大类。其中,输入数据转换和对抗样本检测相对于对抗训练和模型优化而言更容易实施,对已有模型的入侵性更小。所以,为了保护深度学习模型,本文采用先转换后检测的思路对输入数据转换和对抗样本检测两种防御方法进行结合,提出了基于图像降噪的对抗样本检测方案。本文的检测方案由基于残差学习的图像降噪模块和基于差异得分的对抗样本检测模块构成。现有图像降噪算法的降噪效果和降噪时间无法同时满足对抗样本降噪需求。在基于残差学习的图像降噪模块中,本文对Dn CNN降噪模型在训练稳定性、参数量和计算量方面做了改进,提出了ANDNet降噪网络用于对抗样本降噪。ANDNet降噪网络整体结构由残差单元ANDUnit堆叠而成。ANDUnit是一种残差的设计,其中包含了批量归一化处理,使模型更容易训练。本文通过在ANDUnit中引入深度可分离卷积,同时将ANDNet的隐藏层通道数阶梯化,极大减少了模型的参数量和计算量。在基于差异得分的对抗样本检测模块中,本文通过1L范数计算分类模型对原始图像和降噪图像softmax输出之间的距离,将其作为差异得分衡量输入图像降噪前后的差异,并结合在训练数据集上得到的检测阈值对输入图像进行对抗性检测。本文对所提出的基于图像降噪的对抗样本检测方案进行了实现和实验验证。首先对图像降噪模块进行了测试,实验表明ANDNet降噪网络具有良好的降噪效果,甚至在SSIM指标上优于Dn CNN降噪模型,并且ANDNet降噪网络在训练稳定性、模型大小和计算复杂度上更有优势。随后进行了对抗样本检测实验,实验表明本文的检测方案能有效区分普通样本和对抗样本,在检测准确率和F1值上均有良好表现。最后对本文检测方案对分类模型的保护效果进行了测试,发现在检测方案保护下,分类模型对于进入模型的图像的分类准确率明显提升。