以神经网络为代表的方法极大的推动了图像分类领域的发展,但是当前的神经网络方法却存在着鲁棒性问题,即通过对图像添加精心设计的微小扰动可以使得分类模型产生错误的分类结果。同时,在日常生活当中,图像数据当中往往包含着多个标签信息,当前的对抗攻击方法主要针对于多类分类问题,对于多标签分类问题研究较少。因此,本文进行了以下的研究工作:首先,设计了数据预处理算法。本文使用Pascal VOC2007数据集,通过设计算法对数据集当中的数据进行自动化的重标注,并将重新标注后得到的标注文件保存。其次,利用已经处理得到的数据,本文建立了基于卷积神经网络-长短时记忆网络的多标签分类方法,并使用不同的骨干网络进行了多轮迭代训练,对模型训练过程中的训练集与测试集的指标结果进行了可视化的展示,并选择了效果最佳的模型进行保存以供后续的攻击方法验证。再次,本文明确了多标签分类问题与多类分类问题的无目标对抗攻击问题的区别,将无目标对抗攻击问题分为两种情况。并从基于梯度的角度出发,在现有的四种对抗样本攻击方法的基础上将其拓展到多标签分类问题上,并在不同的超参数设置情况下对无目标攻击问题的不同情况进行了实验分析。最后,由于基于梯度的多标签对抗样本攻击方法的效果未达到预期攻击性能,本文从优化的角度出发,针对所使用的多标签分类网络模型提出了新的多标签对抗样本攻击方法,并在不同的网络框架下进行了实验。经过实验验证,本文提出的方法在各个模型以及对抗样本攻击的两种情况下均展现了优越的性能。