深度神经网络具有出色的处理复杂计算问题的能力,在各领域特别是计算机视觉方向得到了广泛的应用,但是深度神经网络也面临着诸多安全威胁。其中,对抗攻击是一种简单有效的攻击方法。该方法不需要攻击深度神经网络结构,仅通过对输入数据添加微小的干扰来构造对抗样本,就能使深度神经网络被“误导”从而产生错误的判断结果。由于对抗攻击易于实现,并且难以通过人眼区分对抗样本与真实样本的差异,对抗样本已经威胁到应用深度神经网络的实际场景。因此,研究对抗样本生成对于评估深度神经模型的鲁棒性以及促进防御方法的发展具有重要意义。传统的对抗样本生成方法,存在计算时间复杂度高、生成对抗样本过程依赖目标网络的参数或输出、衡量对抗样本自然性方式简单等问题,难以实现实时场景下的黑盒对抗攻击。基于神经网络,特别是基于生成对抗网络的对抗样本生成方法可以在很大程度上解决这些问题。本文针对现有方法中存在的问题,提出了基于变分自编码器与生成对抗网络的黑盒对抗样本生成方法,并进一步提出了在更严格完全黑盒条件下的对抗样本迁移性提升方法。本文的主要研究工作及创新点如下:（1）提出了基于VAE-GAN的黑盒对抗样本生成方法LVGAtt。研究了训练过程中各阶段的损失函数,通过预训练提升了编码器将图像由数据空间映射到潜在空间隐向量的能力,接着经过对抗攻击训练获得了生成对抗样本的网络。该方法在隐向量数据特征密集处搜寻对抗扰动,能够提升对抗样本的自然性与GAN训练过程的稳定性。采用WGAN-div优化了GAN网络损失函数,进一步提升训练的稳定性。此外,基于Shuffle Net V2和轻量化的Res Net设计了VAE与GAN的网络结构,保证对抗攻击成功率的同时降低了计算时间复杂度。最终实现了一个在黑盒条件下训练,生成对抗样本时与目标网络解耦,生成效率高,具有较高攻击成功率与自然性的对抗样本生成方法。实验结果表明,本文提出的LVGAtt方法生成的对抗样本,针对MNIST数据集和CIFAR-10数据集的无目标攻击成功率最高分别达到98.66%与95.56%。在计算资源有限的Jetson Xavier NX开发板上生成速度达到6383FPS,适用于高实时性场景黑盒条件下的对抗样本生成,具有实际意义。（2）针对更严格的完全黑盒条件,提出了基于反扰动网络与本地集成网络强化训练的对抗样本迁移性提升方法。基于数据增强方法,结合本地集成网络,通过外层训练反扰动网络,内层训练对抗攻击方法,获取一个能针对图像自动变化以消除扰动但保留完整语义信息的反扰动网络。将反扰动网络、本地集成目标网络与LVGAtt结合强化训练,最终提升了LVGAtt生成对抗样本的可迁移性。实验结果显示,该方法在提升对抗样本迁移性同时也有效提升了针对防御网络的攻击成功率。迁移攻击的成功率平均提升了3.81%,针对不同防御方法的网络攻击成功率平均提升了10.07%。