近年来,深度学习逐渐走进更多人的生活,深度学习系统的广泛应用在给人类生活带来便利的同时也会带来一些隐患,在一些涉及人身安全和财产安全的安全攸关领域的应用中,深度神经网络必须得到充分的测试以尽可能地消除隐患。深度神经网络作为深度学习系统的基础应当得到充分的测试。然而深度学习系统与传统软件测试存在着本质区别,所以传统软件测试技术无法直接应用于深度神经网络测试。近年来众多相关领域的学者提出了基于深度学习测试的覆盖准则,但是这些准则是否有用还有待商榷。本文对深度神经网络中基于覆盖率的测试进行研究,使用覆盖率峰值、达到峰值的速度、计算速度等指标来对覆盖准则进行评测,并研究用覆盖率来引导测试用例选择以挑选出对抗样本的方案的可行性。本文主要的研究工作如下:(1)使用MNIST和CIFAR10两种数据集,共训练六种实验模型以及使用共四种对抗样本生成技术生成的对抗数据,对于十一种覆盖准则,分别研究其覆盖率的峰值、达到覆盖率峰值所需要的测试用例数量、网络中不同层的覆盖率、计算覆盖率所需的时间、覆盖率与对抗样本检测能力之间的统计关系。经过大量实验,结果表明:覆盖率与对抗样本占比之间的相关性较弱。(2)使用MNIST和CIFAR10两种数据集,共训练六种实验模型以及使用共四种对抗样本生成技术生成的对抗数据,对于十一种覆盖准则,分别以其为准则计算数据集的覆盖率,以覆盖率大小为依据从测试用例集中挑选测试用例,在相同测试用例集下,分别统计并比较每一种覆盖准则的对抗样本检测能力。经过大量实验发现:在深度神经网络测试中,使用覆盖率挑选对抗样本的效果比较差,无法提高效率。