近年的研究表明,深度学习模型极易受到一类难以察觉的微弱扰动的欺骗,导致其错误输出,这成为了深度学习模型应用的安全威胁。为了解和预防对抗扰动给计算机视觉领域带来的隐患,本文旨在研究效率高、鲁棒性强和泛化性好的图像对抗扰动防御算法。本文介绍了对抗扰动的研究背景和对抗攻击、对抗防御的研究现状。针对深度学习的图像分类任务,介绍了常用的图像分类模型以及攻击算法,并对扰动在深度学习模型中的生成机理进行了解释。基于在线阶段的图像预处理,本文提出了两种图像扰动防御算法,具体工作包括:首先,本文提出了一种基于低秩降维和稀疏重构的图像对抗扰动防御算法。针对自然图像的稀疏和低秩特性,该算法先采用非负矩阵分解获取扰动图像的低秩表示从而削弱图像中的对抗扰动,同时利用多尺度稀疏编码对低秩图像进行重构,在滤除残余扰动的同时恢复原始图像的细节信息。其次,本文设计了一种基于低秩稀疏分解和小波去扰动的图像对抗扰动防御算法。该方法利用鲁棒性主成分分析法将输入图像分解为低秩分量和稀疏分量,针对对抗扰动在两种分量上的攻击性差异,分别进行小波阈值去噪,既保留了稀疏分量中的原始图像细节信息,又有效滤除了两种分量中的对抗扰动。本文用三种攻击算法分别在黑盒攻击和灰盒攻击下验证了本文所提算法的防御效果,并与其他四种防御算法进行了对比,结果表明应用所提算法后的对抗扰动图像的Top-1分类准确率优于对比算法,且所提算法具有更好的鲁棒性和泛化性。