近年来,计算机硬件计算能力的不断提升和大规模数据集的出现,使深度学习极大地促进了人工智能领域的发展。然而,研究表明基于深度学习的人工智能模型存在鲁棒性问题,容易受到对抗样本的影响。目前,白盒语音对抗样本生成算法分为基于梯度的算法与基于约束的算法。基于梯度的算法的优点是可以快速生成语音对抗样本,缺点是生成的语音对抗样本攻击力差、语音对抗扰动大、听觉感知差。基于约束的算法的优点是可以确保生成的语音对抗样本的质量,缺点是需要消耗大量的计算资源。鉴于上述两类白盒语音对抗样本生成算法各自的不足,本文从数据分布的角度出发,提出一种基于GAN的白盒语音对抗样本生成算法。本生成算法利用GAN来学习语音对抗扰动的分布,通过向良性语音样本添加语音对抗扰动来生成语音对抗样本。通常的GAN架构包括生成器与判别器,本算法在此基础上加入一个预训练的语音模型,用于评估生成的语音对抗样本的攻击力。生成器的网络结构采用基于Unet的卷积循环神经网络,目的是使生成的语音对抗扰动更符合语音特性,降低语音对抗扰动的大小。通常的损失函数包括GAN训练损失,本算法在此基础上加入了语音对抗扰动最小化损失、语音对抗样本的心理声学损失、预训练的语音模型的推理损失。语音对抗扰动最小化损失能够减小生成的语音对抗扰动的大小。语音对抗样本的心理声学损失能够提升生成的语音对抗样本的听觉感知。预训练的语音模型的推理损失能够提升生成的语音对抗样本的攻击力。另外,本文通过预训练基于GAN的白盒语音对抗样本生成算法来快速生成语音对抗样本。实验结果表明,本算法能够生成具有较小语音对抗扰动、较好听觉感知、较强攻击力的白盒语音对抗样本。目前,基于预处理的语音对抗样本防御算法的优点是不需要对目标模型做出修改,不足之处是不能够有效地去除语音对抗样本表面的对抗扰动。本文针对现有的基于预处理的语音对抗样本防御算法在去除语音对抗扰动方面的不足,从数据分布的角度出发,提出一种基于GAN的语音对抗样本防御算法。本防御算法利用GAN来学习语音对抗样本到良性语音样本的映射,在语音对抗样本输入到目标语音模型前,通过将语音对抗样本映射回良性语音样本来防御语音对抗样本。通常的GAN架构包括生成器与判别器,本算法在此基础上加入一个预训练的语音模型,用于指导生成器学习语音对抗样本到良性语音样本的映射。生成器的网络结构采用基于Unet的卷积循环神经网络,目的是使生成器能够更好地学习语音对抗样本到良性语音样本的映射。通常的损失函数包括GAN训练损失,本算法在此基础上加入了语音对抗扰动最小化损失、预训练的语音模型的推理损失。语音对抗扰动最小化损失与预训练的语音模型的推理损失能够提升生成器将语音对抗样本映射回良性语音样本的能力。另外,本文通过预训练提出的基于GAN的语音对抗样本防御算法来快速防御语音对抗样本。实验结果表明,本算法是一种较为不错的基于预处理的语音对抗样本防御算法,能够有效恢复语音对抗样本为良性语音样本。