如今,深度学习及其相关模型的广泛应用深刻影响着人类日常生活中的方方面面,例如金融、交通和医疗等领域,具体场景包括人脸识别、车牌识别和垃圾邮件过滤等。然而研究表明,深度神经网络本身是不稳定的,即使模型本身具有很高的预测准确率,也很容易受到对抗样本的误导得出错误的结果,从而降低模型的准确性。为了减少对抗样本对深度神经网络的影响,提高模型的鲁棒性,很多学者提出了多种有效的防御手段。但是研究对抗样本的生成算法与防御手段同等重要,探索生成扰动的算法不仅可以促进有效的防御算法的生成,还能挖掘出对抗样本的一些积极应用。因此,本文专注于生成有效的对抗样本,在分析现有的生成扰动方法的优缺点后,基于对抗样本扰动不易察觉性、扰动成功率和扰动生成效率三个方面,提出了基于自适应差分进化算法的对抗样本生成方法,主要工作有以下两点。（1）针对传统差分进化算法容易出现算法停滞现象和收敛速度缓慢的问题,提出了自适应差分进化算法。该算法采用提出的自适应变异策略、再变异策略和参数调整策略,可以有效避免算法陷入停滞状态,提高输出全局最优解的概率并提高搜索效率。该部分的研究内容为后续生成对抗样本方法研究提供了理论依据与技术支撑。（2）针对现有对抗样本生成方法中扰动不易察觉性和扰动成功率不平衡的问题,提出了基于自适应差分进化算法的对抗样本生成方法。本文提出将扰动像素约束在极限像素范围,并对图像变换域与时空域（像素级）同时扰动的方法,通过以上扰动策略,可以在保证扰动不易被人眼识别的基础上增加扰动成功率。并使用提出的自适应差分进化算法搜寻最佳扰动像素,提高对抗样本的扰动成功率和生成效率。本文不仅从理论角度分析了以上两个算法的合理性,还基于真实图片数据集对本文提出的算法进行了实验,通过实验进行对比分析,验证了本文所提算法的有效性。