近年来,伴随着深度学习研究的热潮,人脸识别研究有了全新的进展。特别是近两年因为新冠肺炎疫情的原因,遮挡人脸识别的需求急剧增加,基于遮挡人脸识别技术的研究也呈现出“百花齐放”的形式,并且已经被广泛应用到很多现实场景中,如安防、交通、娱乐、刑侦等。与此同时,许多研究表明了深度学习模型面临着许多安全隐患问题。其中,在人脸识别任务中,通过对人脸图像进行微小的扰动,就可以使识别模型出现错误识别的情况。所以,针对真实世界人脸识别模型的安全问题的研究是非常有必要的。但是,目前针对深度学习模型的大多对抗攻击算法都有相应的限制,无法在遮挡人脸识别环境中取得很好的攻击效果。基于真实世界对于遮挡人脸识别的迫切需求和广泛应用,对遮挡人脸识别的对抗攻击的研究不仅对大数据时代人脸隐私保护有重要意义,同时对遮挡人脸的防御识别任务与提高鲁棒性也有一定的指导性。因此,本文选取基于卷积神经网络的遮挡人脸识别模型作为待攻击模型,以白盒攻击为研究目标,开展了基于局部遮挡人脸识别对抗攻击方法的相关研究。如下:（1）提出了基于FGSM算法的遮挡人脸迁移攻击方法。因为现实环境多为黑盒模型,攻击者很难知晓被攻击模型的一些关键参数和网络结构等信息。因此,借鉴了黑盒迁移攻击的算法思想,本文提出了A-FGSM-MA算法攻击替代模型产生对抗样本利用生成的对抗样本攻击目标模型完成黑盒攻击任务。该算法的损失函数为原始样本与对抗样本的余弦相似度,将阈值设定为0.8作为攻击成功的条件,同时为了避免图像变化过大,通过注意力机制确定攻击区域,迭代多步添加扰动,并设置了阈值超参数a,用来限制扰动波动的范围和大小,使得到的对抗样本不易被人眼察觉,改善视觉质量问题。本文使用Arc Face、Face Net、VGGFace模型中的任意一个模型作为攻击的目标模型,余下的两个模型作为攻击的替代模型。实验数据表明本文提出的算法黑盒攻击率高于FGSM等经典算法,并且生成的对抗样本的质量较好。（2）提出了基于改进AdvCam的口罩人脸对抗样本生成算法。针对当前疫情情况下人们在公共场合佩戴口罩的现象,利用基于真实世界的物理攻击的思想,本文提出的改进AdvCam算法使得生成的对抗样本具有很好的不可见性和迁移性。该算法通过改进AdvCam算法对于口罩区域生成扰动,形成的对抗扰动被隐藏在预期的风格样式图片中,人眼很难察觉到,具有很好的隐蔽性和攻击性。本文使用的是Arc Face模型作为攻击的目标模型,Face Net、VGGFace模型作为对抗样本迁移性的对比实验模型。实验结果证明本文提出的该算法相比于原始AdvCam算法提高了对抗样本迁移性。