深度学习算法是机器学习、数据挖掘、自然语言处理等领域内的重要研究内容,近年来由于硬件运算能力的显著增强,被广泛用于各类人工智能应用,涉及到银行、交通、医疗、安防等众多关键领域。然而研究发现,深度学习算法存在安全隐患,其鲁棒性受到对抗样本的威胁,甚至细微改动的样本,即可成功欺骗基于深度学习算法（模型）的应用,因此对抗性机器学习领域的研究愈发受到关注。在该领域中,通过研究对抗样本的生成方法,有助于从样本产生机制出发,寻找目标算法（模型）的脆弱点,进而对其脆弱性进行有效评估,为应对威胁并提升算法（模型）的安全性或鲁棒性提供新的思路和方向。目前在众多对抗样本生成方法中,基于有监督或半监督方式的方法得到了充分的发展,而基于无监督方式的方法仍有待探索。无监督方式无需数据标签信息,更接近于实际情况,所产生的样本依然能够对目标造成威胁,值得深入研究。另外,由于深度学习算法可能面临不同的输入数据类型,使得对抗样本生成方法的设计需针对变化进行研究,如图片数据的相似性度量方法难以直接用于图结构数据的相似性度量。为应对上述问题,本文从数据的相似性角度出发,分别针对以图片数据和以图结构数据为载体的深度学习算法（模型）,进行了无监督方式下的对抗样本生成技术研究,主要工作贡献可归纳为三个方面:（1）提出了一个有效的基于无监督的对抗样本生成框架方法（UAEG）,用于深度学习的脆弱性评估。该框架方法同时从两个方面进行考虑:一方面最大化正常样本与对抗样本对应的特征表达分布之间的散度（特征表达由深度学习模型生成）,另一方面在原始空间中最小化正常样本与对抗样本之间的差异程度,最终实现一个有效的无监督对抗样本生成框架方法。基于该框架生成的对抗样本能够在伪装自身的同时误导下游任务。（2）提出了一个基于UAEG框架方法的无监督图片对抗样本生成方法（UAEG-Image）。该方法以图片数据为载体,采用了一种新颖的数据分布差异度量方式,能够恰到好处地与框架进行融合,从而保证了无监督的属性。同时该方法采用了以欧几里得范数为基础的作用于图片数据上的差异性度量方式,从而能够对所生成的对抗样本进行伪装以逃避检测。实验证明,UAEG-Image方法能够产生有效的对抗样本,能够对基于深度学习的图片分类模型的脆弱性进行有效评估,同时证明了UAEG框架方法的可行性和可扩展性。（3）提出了一个无监督图对抗样本生成方法（UAEG-RWEG）。该方法以图结构数据为载体,针对基于随机游走的图嵌入算法,从UAEG框架方法的设计思路出发,提出了限制对抗样本与原始图数据差异程度（相似性）要求,在此条件下进一步提出了两种构造图对抗样本的具体策略。实验证明,该方法在相似度限制条件下配合所提出的策略,能够产生有效且更优质的图对抗样本,降低了目标图嵌入算法的嵌入质量,有效地评估了算法的脆弱性,为提升算法鲁棒性和开展有效的防御机制研究提供了指导方向。