近年来,深度神经网络图像分类模型被广泛应用于社会生产和人类生活的各个方面。最近的研究表明,深度神经网络模型容易遭受对抗样本的攻击,即在原始样本上添加微小的扰动使得深度神经网络模型做出错误的决策,这给人工智能算法的广泛应用造成了极大的威胁。目前,科研人员对对抗攻击方法开展了广泛的研究,试图理解深度神经网络模型的决策过程,为设计更加安全鲁棒的网络模型提供思路。本文针对现有对抗攻击方法普遍存在的对抗迁移性低、扰动量高和在先进对抗防御方法上性能不佳的问题开展深入研究,具体内容如下。首先,介绍对抗攻击和防御领域的相关知识,并对课题研究涉及的一些理论和对抗攻击方法进行简要介绍。其次,针对现有对抗攻击方法普遍存在的对抗迁移性不高的问题,研究提升对抗样本对抗迁移性的方法。分析深度神经网络模型训练过程与对抗样本生成过程的关系,融合具有良好泛化特性的信念思想,移除快速梯度符号方法中符号函数的约束,构建了一种基于信念思想的迭代快速梯度法,实现对抗样本对抗迁移性的提升。针对现有方法生成对抗样本普遍存在的全局对抗扰动问题,研究降低低效扰动的方法。分析深度神经网络模型的决策特点,定位深度神经网络模型关于输入的显著区域,设计了一种基于显著区域的扰动限制策略,实现对抗样本图像质量和视觉质量的提升。再次,针对现有对抗攻击方法在先进对抗防御方法上性能不佳的问题,以进一步提升对抗样本对抗迁移性为出发点,研究对先进对抗防御方法具有威胁的对抗样本生成方法。分析基于迭代的对抗样本生成方法在迭代过程中存在的问题,基于方差缩减思想,评估梯度估计方差的影响,构建了一种基于方差矫正的迭代快速梯度法,实现对抗样本对抗迁移性的提升。融合所构建的基于信念思想的对抗攻击方法及所设计的基于显著区域的扰动限制策略,提出了一种组合方法,实现生成对抗样本的高对抗迁移性和低扰动性以及对先进防御模型的威胁性。最后,使用ImageNet数据集验证所提方法的可行性与有效性,与已有的代表性对抗攻击方法进行实验对比,并在先进防御方法上进一步验证。