近年来,神经网络展现了强大的性能,被广泛应用到了图像识别、自然语言处理、自动驾驶等领域。然而,最近的研究表明:神经网络在面对对抗样本的表现却不尽如人意。人们提出了不同方法来减轻对抗样本带来的危害,这些方法大致可以分为三类:第一类是增强模型自身的鲁棒性,对抗训练便是其中常用的方法,此类方法需要对原有模型进行重新训练或微调,防御成本较大;第二类是在原有模型之前增加附加模块,以此去除或破坏精心设计的扰动,此类方法大多在防御对抗样本的同时会降低正常样本的识别率,对样本的破坏程度较高;第三类是对抗样本检测技术,此类方法在攻击者知道检测器存在时可以设计欺骗检测器的对抗样本,且现有方法存在较高的假阳性率,也存在一定的局限性。针对上述问题,本文结合张量分解技术开展研究,主要工作概括如下:（1）提出基于张量分解的对抗防御方法TDDM。该方法先将原始张量划分成若干张量块,再将每个张量块进行张量分解得到每个张量块对应的因子矩阵,因子矩阵中前10%的因子权重之和就占据了全部权重之和99%以上的比例,因此本文在每个因子矩阵中选择排序靠前的因子进行重构每个张量块,丢弃掉排序靠后的矩阵因子,最后将重构的张量块组合成重构张量。TDDM能最大程度还原正常样本的数据分布,对样本的破坏性较低,且神经网络对随机噪声具有较强的鲁棒性,实验表明TDDM能将对抗扰动转化为普通的随机噪声,以此抵御对抗样本带来的危害。（2）提出基于神经网络的张量分解对抗防御方法NTDDM。TDDM在防御对抗样本上效果显著,但当面对大量样本时运行效率有待提升,针对该问题进一步提出NTDDM,该方法使用神经网络技术实现,在进行分解的时候能够充分利用现有的GPU资源,面对大量样本时能大幅提升算法运行效率,本文给出了NTDDM的损失函数并推导了因子矩阵的更新方式,模型训练过程中在因子矩阵中加入了细微的高斯噪声以提高模型分解的效果,实验表明该方法与TDDM相比在面对大量样本时具有更好的防御效果和更短的运行时间。（3）提出基于鲁棒得分的对抗检测方法RSDM。针对现有检测方法假阳性率较高和NTDDM等基于增加附加模块的防御方式在提升对抗样本识别率的同时会略微降低正常样本识别率的问题,根据细微噪声干扰下模型对正常样本和对抗样本不同的反馈输出,设计鲁棒得分用于衡量未知样本接近对抗样本程度的指标,提出基于鲁棒得分的对抗检测方法RSDM,该方法具有较低的假阳性率。RSDM可以和NTDDM方法结合,通过检测方法从未知样本中分离出正常样本和对抗样本,正常样本直接输入模型预测,对抗样本经过NTDDM再输入模型预测,进一步提升模型的鲁棒性,形成完善的对抗样本防御框架。