目前深度神经网络（Deep Neural Networks,DNN）在图像识别等领域已有广泛的应用。然而在面临对抗样本时,深度神经网络存在着脆弱性。对抗样本就是在原始数据中添加难以察觉的噪声所生成的样本,这些样本严重影响深度模型的判断能力。大量研究表明,对抗样本的存在严重威胁了深度学习系统。因此,设计有效的攻击算法不仅有助于探索深度神经网络的内部结构,找到模型中的薄弱环节,还可以将其应用于对抗防御,为模型训练提供指导。近年来关于对抗机器学习（Adversarial Machine Learning）的研究主要分为对抗攻击和对抗防御两个方面。但是现有的攻击方法在添加攻击噪声时都依赖一个固定的步长,且其生成的对抗样本在面对不同分类模型所表现出的鲁棒性也不甚理想。现有的对抗训练策略训练出来的模型在自然数据集上的预测精度较低,并且训练过程缓慢,训练效率低下。针对以上问题,本文提出两种攻击算法和一种防御策略。主要工作如下:（1）提出基于Nadam优化的梯度攻击符号法（Nad-FGSM）和基于Nada Max优化的梯度攻击符号法（Nad M-FGSM）,这两种攻击算法可以根据模型的梯度信息,灵活地调整攻击噪声的方向和步长,弥补了固定步长的缺点。将模型集成策略与攻击算法相结合,在生成对抗样本时,考虑融合多个模型的梯度信息,进一步提高对抗样本的攻击成功率。采用可视化攻击算法的迭代轨迹和模型梯度轮廓来分析迭代攻击过程,进一步解释深度神经网络在面对可变步长对抗样本的脆弱性的原因。在Image Net数据集上进行实验,结果表明两种算法在单模型攻击和集成模型攻击中均保持了较高的攻击成功率。（2）将早停思想和Nad M-FGSM相结合,提出ES-Nad M-FGSM（Early Stop Nad M-FGSM）对抗样本生成策略,并将该策略应用于对抗训练当中,形成早停对抗训练策略（Early Stop Adversarial Training,ESAT）。在CIFAR-10数据集上进行了测试,实验结果表明,该策略能够缓解对抗样本产生的数据混合问题,采用ESAT策略训练的模型在自然数据集上均取得最好的预测精度,并且在面对对抗算法攻击时,模型依然保持了较高的鲁棒性。实验结果还显示,ESAT策略能够减少对抗训练中反向传播次数,提高模型的训练效率。