推荐系统可以挖掘用户历史行为数据,主动为用户推荐感兴趣的信息,被广泛应用于电子商务等web应用中,为用户带来了巨大的便利。与此同时,针对推荐系统的恶意攻击也同样层出不穷,使得推荐系统安全性评估显得十分重要。近年来,学术界已经进行了相关研究,然而现有工作都是针对特定的传统推荐算法,无法适用于基于图卷积神经网络的推荐算法。此外,电商平台的推荐系统往往会涉及到图像数据,例如利用商品图像信息辅助推荐或使用图像验证码防止虚假用户登录等,导致实际场景下推荐系统的攻防问题更加复杂。目前的研究大多局限于推荐算法理论层面的对抗攻击,没有考虑到实际系统中可能存在的图像数据模型攻防对抗问题。基于以上背景,本文研究了基于图卷积神经网络推荐算法的安全性问题,并研究了针对图像分类模型的黑盒对抗攻击和防御策略。基于对现有研究工作的总结,本文首先对图卷积神经网络推荐算法的对抗攻击进行了研究,其次对图像分类模型的严格黑盒攻击方法以及相应防御策略进行了研究。主要内容包括:(1)针对推荐系统安全性问题,总结并分析了现有研究工作的主要内容和不足。包括推荐算法对抗性攻击研究现状总结分析、图卷积神经网络模型对抗性攻击研究现状总结分析、图像分类模型对抗性攻击研究现状总结分析三部分。(2)针对基于图卷积神经网络的推荐算法对抗攻击问题,提出了基于商品-评分共现的模仿攻击算法。通过操控虚假用户对受害商品进行预测评分提升攻击,并在两个真实数据集上进行了对比实验,从不同攻击算法、不同攻击能力和不同类型攻击目标等多个角度进行了对比分析。实验结果证明了本文提出算法能够有效提升受害商品的预测分数。(3)针对推荐系统中存在的图像分类模型对抗攻防问题,提出了严格黑盒攻击模型的扩充方案,将攻击者查询次数补充为攻击算法的衡量指标。在此基础上,提出了基于贪心切面法的黑盒对抗攻击算法以及对应的动态防御策略。并通过不同领域数据集上的攻防实验,证明了攻击算法在平均查询次数和攻击质量上都要优于目前最先进的黑盒攻击算法,而本文提出的防御策略能够有效的缓解这一类攻击的影响。