自2012年以来,以深度神经网络为代表的深度学习事实上已经成为了人工智能领域的主流。计算机视觉领域的对抗样本也逐渐引起众多学者的关注和研究。对抗样本和自然样本的欧氏距离极小,以至于人类无法对其做出语义上的区分,然而却能以较高的置信度致使模型错误识别。对抗样本是计算机视觉领域一直难以解决的问题,它的存在对人工智能安全造成了严重的威胁。有多种手段可以在一定程度上防御对抗攻击。例如可以预先检测输入的图像是否包含对抗扰动。或者在数据输入模型前对其使用一些处理手段例如重构,从而使对抗扰动失效。以上的方法可以帮助模型防御一些对抗攻击,然而模型本身并不能够识别对抗样本,因此对抗样本的问题本质上并未得到解决。对抗训练则克服了以上缺点。对抗训练基本原理较为简单,即用某种对抗攻击手段生成对抗样本并将其添加到模型的训练过程。目前为止在所有的防御对抗样本的方法中,对抗训练是应用最广泛,也是最稳定的方法。以降低计算成本为目的的快速对抗训练近年来获得了高度的关注并取得了较大进展。本文从降低对抗训练前向传播和反向传播的次数出发,改进了现有的对抗训练方法。本文工作的主要贡献如下:（1）详细分析了以往的计算边缘对抗样本的流程,提出了一种参数化的边缘对抗样本计算方法。该方法相对于传统手段能够明显降低了前向传播的计算次数,从而减少了训练时间。（2）从实验角度证实了被模型错误分类的自然样本在促进模型稳健性快速提升的重要作用。并将提出的边缘对抗样本计算方法与快速对抗训练技术相结合。与以往的最大化间隔对抗训练相比,本文的方法所需的计算成本与训练时间较少。