信息社会中的人类每时每刻都要处理各种各样的信息,而这些信息中大部分来源于视觉系统。作为计算机视觉和图像处理领域里的一项重要的内容,图像显著性检测是指利用计算机检测出图像或视频帧中对人类最引人注目的目标区域。谷歌大脑研究表明任何机器学习分类器都有可能被欺骗,包括深度学习在内的算法。本文主要研究如何生成对抗样本来对现有的模型进行有效的攻击和防御对抗攻击。对抗样本是指在图像中添加视觉上无法察觉的干扰,受到干扰后的输入会导致神经网络模型做出错误的预测。针对基于传统机器学习的显著性检测模型,本文在原始数据集中添加高斯噪声,并用现有的检测模型来对这些含有噪声的图像进行检测,实验结果表明噪声确实会降低模型的准确率。可以在模型中增加图像预处理过程来减小噪声的影响。针对基于深度神经网络的显著性检测模型,本文使用一种基于梯度的攻击方法来生成对抗样本,然后对现有的模型发起攻击。实验结果表明本文生成的对抗样本成功攻击了显著性检测的模型并验证了对抗样本对现有方法均是有效的。此外,本文还提出了一种防御对抗攻击的框架。首先将输入图像进行超像素分割,随机地对每个部分中的像素进行混洗。它引入了另一种通用噪声以破坏对抗性样本中的结构模式,因此减轻了攻击效果。再将图像进行JPG压缩,将对抗样本重新拉回到数据子空间。然后将压缩后的图像送入到目标网络,经过一个上下文恢复模块,恢复模块根据该位置的原始像素值与其上下文之间的相似性来调整某个位置的显著性得分。实验结果表明,本文提出的防御框架可以有效的改善显著性检测模型的性能。