基于深度神经网络（DNN）的软件系统已经广泛应用在各种分类任务中。在分类效果极佳的同时,DNN也可能因隐藏的缺陷表现出不正确的行为,从而导致严重的事故和损失。为了确保安全性,与传统软件类似,通常采用测试技术检测出DNN不正确的行为并提高DNN质量。然而,在基于DNN系统的自动化测试中,通常无法直接定义给定输入后正确输出的测试预言。为了获取测试预言信息,通常需要花费昂贵的人力来标记测试数据,这显著地减慢了质量保障的进程。为了缓解这一问题并提升深度神经网络的健壮性,本文提出了一种基于基尼系数的深度神经网络健壮性提升方法。我们从深度神经网络的统计视角出发,将基尼不纯度的思想应用于神经网络分类不确定性度量中,从而把神经网络中测量错误分类概率的问题转换为测量集合纯度的问题。在此基础上,我们提出了Deep Gini,一种基于DNN统计视角的测试优先级排序技术,通过衡量测试用例分类概率的纯度来确定其优先级,从而使我们能够快速识别可能分类错误的测试。通俗来讲,纯度越低,则分类错误的可能性越大,该测试用例的优先级越高。最后,我们标记并利用高优先级的测试数据来提升深度神经网络的健壮性。本文在MNIST、CIFAR-10、Fashion、和SVHN四个流行公开可用数据集上对Deep Gini的有效性、效率和提升DNN健壮性进行评估。同时,我们为每个数据集配备了两个流行的DNN模型。实验结果表明,Deep Gini在测试优先级的有效性和效率上都优于现有基于神经元覆盖的测试排序技术。Deep Gini能够在2秒内对数以万计的测试进行优先级排序,而基于神经元覆盖的优先级排序方法则超过10秒以上。Deep Gini在有效性方面非常接近理论上最好的方法,而基于神经元覆盖的方法有时甚至比随机排序策略更差。同时,Deep Gini优先选择的测试比基于覆盖的方法更能有效地提高DNN的质量。总之,在有效性、效率及DNN健壮性提升方面,Deep Gini优于现有基于神经元覆盖的技术。