深度学习应用于诸多领域,包括自然语言处理、图像识别、自动驾驶等。在通信信号处理技术领域中引用深度学习方法的方法也日趋渐多。其中,基于深度学习的调制识别任务就极具代表性。由于深度学习在学习提取数据特征方面的突出优势,调制识别的性能有很明显的提升。但是,深度学习自身的安全性却存在着巨大缺陷。研究表明,深度学习神经网络存在一个现象:即对网络的输入数据加入一个微小的特定噪声,网络会以高置信度输出完全错误的结果,产生这样现象的原因就是对抗样本。由于深度神经网络对抗样本特性的存在,信号处理技术中应用深度学习方法的安全性问题研究就尤为重要。为了设计构造出鲁棒性好的基于深度学习的信号处理模型,对抗样本给神经网络带来的影响必须要加以考虑。不仅如此,在电子对抗领域中,智能通信系统中应用了许多深度学习方法,基于对抗样本的通信信号攻击能够破坏智能通信系统的安全性,在电子对抗较量中占得优势。由此可见,对抗样本的研究在电子对抗领域的攻防两端都具有重要意义。本文针对基于深度学习调制识别任务产生通信信号对抗样本的方法展开研究。按照获得不同先验信息的条件进行分类,主要的工作如下:1.在获取了样本信号数据和已知深度学习神经网络结构和权重参数的前提下,提出一种通信信号最小对抗扰动算法。在高维空间内,该算法通过计算通信信号数据到分类边界的最小距离,生成最小对抗扰动并将其添加到通信信号中生成通信信号对抗样本。破坏效果显著,且具有很好的隐蔽性。2.在无法获得全部通信信号数据信息而是只能获取部分信号数据信息的条件下,基于通信信号最小对抗扰动算法,改进设计一种通信信号通用对抗扰动算法,生成通信信号通用对抗样本。将原来一对一的最小对抗扰动生成为一对多的通用对抗扰动。生成的通信信号通用对抗扰动具有通用性、隐蔽性、破坏性。3.在无法获得深度学习神经网络结构和权重系数的条件下,基于对IQ正交两路的通信信号的数据维度信息、卷积神经网络结构性质和基于深度学习的调制识别技术的特点这三个条件的了解,设计构造一个用于生成黑盒对抗扰动的神经网络。生成的黑盒对抗扰动具有很好的实用性和破坏性。