近年来,随着深度学习算法的效果变得越来越好,许多学者开始着眼于深度学习算法的稳定性。其中的一个方向叫对抗样本。对抗样本是指在原始数据上添加一个特定的噪声（噪声的比例越小越好,能被模型识别而不被人眼察觉）使得损失函数最大化,所形成的输入样本,会导致模型以大概率给出一个错误的结果。对抗样本的生成又被称为对抗攻击。现如今,深度神经网络已经成为了人们生活中不可或缺的一部分,人脸识别、语音转文字等都是日常生活中经常用到的功能。不仅如此,在金融、互联网领域,深度神经网络更是拓展科技前沿的一大利器。但是,目前对于深度神经网络的稳定性的研究尚处于初步阶段,业界对于对抗样本的防御手段还很有限。因此,研究更加高效的对抗样本生成方法,可以帮助业界发现深度神经网络的弱点,从而加快对抗防御技术的发展,提高深度神经网络的稳定性。快速梯度符号算法是一种基于梯度的特定扰动对抗样本生成算法,是目前主流的对抗样本生成算法框架之一。之前的基于快速梯度符号算法的一些方法主要是将过去的梯度优化方法与基础的快速梯度符号算法相结合,使用的梯度优化方法时间上较为久远。同时,之前的算法存在泛化能力较差的问题,当使用不同类型的数据集时,攻击效果往往难以令人满意。近几年有许多的学者在梯度优化领域提出了不同的算法。这些算法在对抗样本生成领域或许同样有所成效。梯度中心化就是其中之一。梯度中心化指的是在神经网络训练的过程中,计算目标函数对权重梯度时,对梯度进行中心化处理。梯度中心化具有两个数学性质:权重空间规范化与输出空间规范化。可见,梯度中心化算法在实现简单的同时具有很好的理论证明。在这一背景下,本文提出了基于梯度中心化的快速梯度符号算法,以提高对抗样本的攻击效率。简单来说,就是在现有的Nesterov迭代快速梯度符号算法中,在每一次迭代计算损失函数对原始图像的梯度前,对原始图像进行随机的数据增强,然后将梯度参照梯度中心化算法中损失函数对权重的梯度,在计算梯度后进行中心化处理。与现有的生成对抗样本的算法相比,本文提出的算法可以提高生成的对抗样本的攻击成功率与在不同数据集上的稳定性。本文使用ILSVRC2012数据集的验证集中的10000张图像进行实验分析。首先对算法涉及到的三个超参数进行实验分析,选择最优的超参数组合。通过结果比较,选择的超参数为最大扰动?=0.05,惯性系数?=1.8,迭代次数T=2。之后进行对比试验。将数据集分为10组,生成对抗样本的模型选择Res Net-50、Google Net、Dense Net-121三种,攻击目标模型选择Res Net-50、Google Net、Dense Net-121、Dense Net-161四种,共进行12组对比实验。对10组数据求平均值与标准差。从平均值上看,本文提出的算法的表现在12组当中的9组超过了现有的算法。从标准差上看,本文提出的算法的表现在12组当中的8组超过了现有的算法。实验比较完整地对比了本文所提出的算法与现有算法,展示了在不同的图像数据集上,这些算法在生成对抗样本任务上的差异。结果表明本文的算法在大部分的实验中相较于现有的算法都有着更好的表现。同时从标准差的角度也说明了本文的算法相较于现有的算法有着更好的稳定性。实验结果表明,梯度中心化方法可以提升对抗样本的攻击能力,且与现有方法相兼容。