身份认证是网络空间安全的重要核心和基石。传统身份认证方法要求用户提供自己的物品（护照、身份证等）或知识（口令、密码等）。物品容易丢失、被盗、损坏、仿造;知识容易被遗忘和破解。相比之下,生物特征因具有唯一性、安全性、稳定性、便捷性,成为极具发展前景的新兴身份认证方式。然而,随着深度学习的不断发展,图像生成技术日趋成熟,促使某些怀有恶意的攻击者通过图像生成技术伪造真实合法目标用户的生物特征图像,以冒充身份以通过验证。即使是人类也无法判断这些生成图像的真伪,成为生物特征系统严重的安全隐患。研究图像级伪造攻击,可以让系统发现实际应用中的各种威胁,阻止已知或者未知的图像级攻击,优化升级模型安全性。鉴于掌纹模态的优势及其代表性,掌纹识别技术可推广扩展至其他多种生物特征模态的研究,因此本文以掌纹识别为例,研究图像级伪造攻击,并提出了两种新型攻击方式,错误接受攻击和同时满足三个层次（相似性、自然性、一致性）的重构攻击。本文的主要的贡献和工作总结如下:（1）背景、研究意义及相关知识介绍了生物特征安全的研究背景和研究意义,提出了相应的评价指标。总结了图像级攻击算法的几种常见类型,并综述了图像级攻击、特征提取以及生物特征模板保护三个领域的研究现状。（2）生成对抗网络（Generative Adversarial Network,GAN）的相关知识介绍了生成对抗网络的基础知识,包括条件生成对抗网络和标准生成对抗网络,总结了生成对抗网络图像生成质量的评价指标。（3）错误接受攻击（False Acceptance Attack,FAA）提出了针对掌纹识别的错误接受攻击,只需由生成对抗网络生成大量高自然度和多样性的合成图像即可实施。论证了错误接受攻击来对抗基于编码掌纹识别系统的可行性。为了进一步提高错误接受攻击的效率,采用聚类方法对伪造图像进行选择,以增强使用伪造图像的多样性,从而减少攻击次数。实验结果表明该策略可以有效提升攻击成功率。（4）满足三个层次的重构攻击（Triple-level reconstruction attack,TLRA）针对现有图像级攻击算法存在的缺陷,包括伪造图像自然性低、泛化能力弱以及复杂度高（不能进行在线攻击并且模型不可复用）,提出新型的重构攻击算法。对单方向滤波掌纹编码方式,使用pix2pix算法重构伪造真实目标用户的原始图像;对多方向滤波掌纹编码方式,使用特征融合重构伪造真实目标用户的原始图像。此重构攻击可以同时满足三个层次（相似性、自然性、一致性）的攻击要求,并实现了泛化性、在线攻击、模型可复用性。综上所述,本文基于生成对抗网络提出了两种有效的新型攻击,揭示了生物特征系统图像级攻击引发的严重安全隐患,对生物特征系统安全性评价和防御机制等方面的研究具有重要的意义。