强化学习的深入研究推动了相关技术在无人驾驶、智能对抗等领域中的实际应用,并表现出了卓越的性能。但近年有研究指出,强化学习模型在实际使用中表现出不稳定的情况,既攻击者在模型的输入信息中注入扰动,从而使模型输出错误导致性能下降或决策失误。所以设计有效的对抗攻击是构建鲁棒的强化学习模型必不可少的前提。对于对抗样本对强化学习模型的干扰情况,本文提出了全时攻击算法进行评估,探究了强化学习模型对于不同对抗样本生成算法的抗干扰能力以及累积奖励衰减程度,通过实验可知对抗样本可使模型的累积奖励大幅。本文围绕着黑盒与白盒攻击形式,提出了精确关键帧攻击和精确诱导攻击两种算法。提出的精确关键帧攻击算法,在不干扰环境交互的正常进行下,通过预测每个状态下动作的最大概率与最小概率差值来缩短攻击范围,并观察相邻状态下智能体最大决策概率的差值来判断扰动的添加时刻。通过Atari实验场景证明了,在攻击频率为2%左右即可使智能体累积奖励降为最低,并对一种强化学习算法的攻击应用到其他强化学习算法训练的模型下,攻击效果同样有效。提出的精确诱导攻击算法,根据当前状态制造多组干扰动作序列,将每组干扰动作序列输入到模型中,并设计度量函数来评估攻击前的最终状态与攻击后的最终状态之间的差异值,并挑选出最具攻击性的动作序列。通过对智能体一部分决策的干扰,不断的积累损失最终使得累积奖励大幅降低。通过Atari实验证明了,在攻击频率不超过10%的情况下,即可使累积奖励降为最低,并对其中一种强化学习算法的攻击应用到其他模型中,攻击效果仍然显著。