大数据时代下,深度学习在各行各业均表现出卓越的性能,其安全性也引发了广泛关注。对抗样本的发现严重限制了深度学习模型在安全敏感场景下的应用,这极大阻碍了深度学习的发展。对于对抗样本的防御,目前主流的方法更关注优化模型的训练权重,而忽略了深度学习模型本身的网络架构对鲁棒性的重要影响。很少有工作专注于从深度神经网络的架构方面提高其鲁棒性。本文的工作主要集中关注于深度神经网络的架构鲁棒性,基于网络架构搜索技术自动化地设计鲁棒架构。根据干净样本和对抗样本在网络中间的特征差异提出了网络鲁棒性指标用于指导搜索。通过在搜索过程中对网络鲁棒性进行约束来搜索鲁棒的架构。将搜索问题表述为一个多目标优化问题,并提出一种投影算法进行求解。实验表明,所提方法在多个公共数据集上取得了最先进的对抗鲁棒性能表现。针对所提搜索算法细粒度不足,无法进一步搜索更鲁棒的架构的问题。本文提出了一种细粒度鲁棒网络架构搜索算法,将搜索空间从层扩展到通道,以便在更细的粒度上发现更多可能的鲁棒架构。为了提高搜索效率,将搜索空间松弛为连续的,以方便用梯度信息进行优化。与最先进的架构相比,所提算法在各种对抗攻击下实现了最佳的鲁棒性。并且,获得架构的参数量和计算量大大减小。网络架构与鲁棒性存在密切的关系,在防御研究中是不可忽略的。对网络架构鲁棒性的研究可以提高网络的安全性以满足其在安全要求高的场景下的应用,同时可以促进对抗样本和深度学习理论解释研究的发展,让深度学习更好的造福人类。