计算机硬件计算能力的大大提高和大规模数据集的不断出现,让深度学习技术也在不断迈入新阶段。深度学习系统的发展在带来机遇的同时,也给其测试技术带来了新的挑战。与传统软件相比,深度学习系统在内部结构与外部表现方面均存在很大的差异,无法直接将传统软件测试技术中的白盒测试方法应用于深度学习系统。目前,已有多个关于深度学习系统的白盒测试覆盖准则被提出,但准则在实际系统中应用的有效性尚有待检验。本文主要研究深度学习系统白盒测试覆盖准则,首先依据提出的一组白盒测试覆盖准则的度量指标,完成对比研究。其次基于覆盖准则,设计实现针对深度学习系统的白盒测试框架。具体研究内容如下:（1）提出了白盒测试覆盖准则的度量指标,包括有效性、一致性、相关性。基于Le Net模型（Le Net1、Le Net4、Le Net5）和MNIST数据集以及对抗样本,对各个测试覆盖准则进行了系统对比研究。通过多个实验,得出各个覆盖准则的覆盖率和准确率数据,并按照覆盖准则在指标上的表现将其进行分类。根据实验结果,本文得出如下结论,在对鲁棒性要求较高的系统进行测试时,可以选择颗粒度较细的覆盖准则,包括Neuron Bondary Coverage（NBC）、Strong Neuron Activation Coverage（SNAC）、Likelihood-based Surprise Coverage（LSA）,对鲁棒性要求一般的系统进行测试时,可以选择k-multisection Neuron Coverage、top-k Neuron Coverage、Importance＿driven Coverage,对于鲁棒性要求较低的系统进行测试时,可以选择Neuron Coverage、Sign-Sign Coverage、Distance-based Surprise Adequacy。（2）设计实现了针对深度学习系统的白盒测试框架并在一个分类系统上进行验证。白盒测试框架实现了对预训练好的深度神经网络模型进行覆盖率计算以及在对抗样本上的准确率评估功能,可以通过覆盖率结果来分析模型鲁棒性。接着又在实际系统中对框架进行应用验证,在验证过程中,根据覆盖准则的分类结果以及系统鲁棒性要求,选择了NBC、SNAC以及LSA进行覆盖率计算。结果证明,已实现的深度学习系统白盒测试框架,可以应用于分类模型的覆盖率计算,进而可以对系统进行鲁棒性评估。