深度学习在医疗图像分析领域得到了广泛应用。然而,近期研究表明深度神经网络容易受到人眼无法察觉干扰的攻击,从而使模型以高置信度分类错误。在这个过程中,我们称添加了人眼无法察觉干扰的样本为对抗样本,攻击模型从而使模型分类错误的过程称为对抗攻击。为了研究对抗样本的攻击方式以及提高模型的防御能力,研究者在自然图片分析中提出了许多对抗攻击和防御方法,然而医疗图片中复杂的纹理信息和丰富的病灶类型,以及多样的患病情况给对抗攻击以及对抗防御带来较大的挑战。首先,现有基于梯度的对抗攻击方法使用固定步长控制添加噪声的强度,从而难以满足医疗图像中丰富的病灶类型及纹理信息对于添加噪声强度需求不同的问题。另一方面,由于医疗图片中包含较多噪声,因此当攻击者向图片中添加较大恶意噪声时也很难被人眼察觉。此外,现有攻击方法生成的噪声值较大对抗样本攻击性能较强,然而现有防御方法难以高精度防御噪声值较大的对抗样本。因此,本文从对抗攻击和对抗防御两方面出发,提出了面向医疗图像的对抗攻击和防御方法。针对现有基于梯度的对抗攻击方法难以适应医疗图片对添加的噪声强度需求不同的问题,本文提出了基于梯度的动态步长攻击方法。该方法在基于梯度的对抗攻击方法基础上,根据每次迭代中的梯度信息动态更新步长,从而获得能适应不同医疗图像的对抗样本。此外,本文通过将动态步长攻击方法与多步步长攻击算法结合提高了对抗攻击算法在医疗图像中的性能。本文进行了白盒攻击、黑盒攻击以及集成攻击等实验证明该方法在对抗攻击中拥有更好的性能。针对噪声值较大对抗样本攻击性能较强,而现有防御方法无法以高精度防御医疗图像中噪声值较大对抗样本的问题,本文提出面向医疗图像的防御方法。该方法首先通过图像转换算法扰乱对抗样本的分布,降低对抗样本的攻击能力,并使用去噪方法去除图像转换带来的新噪声。此外,为了防御图像转换后的对抗样本,本文使用对抗攻击算法迭代多次生成对抗样本添加到模型训练过程中。最后,本文通过对不同大小噪声进行防御验证了该方法在医疗图像分析中能防御包含不同大小噪声的对抗样本。然而,面向医疗图像的防御方法需要迭代多次生成对抗样本添加到模型中进行训练,耗费大量时间,浪费计算资源。因此我们进一步提出面向医疗图像的快速对抗训练防御方法,该方法在每次迭代更新噪声之后,使用优化算法更新模型参数一次,此外该方法将干净样本和对抗样本同时加入到模型训练过程中,提高模型对干净样本预测的精度。与此同时,该方法在每次更新对抗样本噪声过程中,动态更新对抗样本的噪声约束值,从而使用包含不同大小噪声的对抗样本训练模型,提高模型对于噪声值较大的对抗样本的防御能力。