侧信道攻击（Side Channel Attack,SCA）是一种强大的攻击方法,攻击目标主要是密码芯片和密码设备,利用数据加密时泄露的相关信息破解加密设备中所使用的加密密钥。SCA可以在数据加密的过程中不破坏密码设备和加密数据的情况下获得密钥信息,对密码设备的安全性产生了严重威胁。本文主要研究高级加密标准（Advanced Encryption Standard,AES）算法的侧信道攻击方法和实现方案,工作内容和研究成果如下:首先介绍了侧信道攻击的相关背景与研究现状,紧接着介绍AES加密算法的背景、原理和分类,然后详细阐述了侧信道攻击的原理以及几种常用的攻击方法。最后介绍了机器学习和神经网络在侧信道攻击中的应用。通过对采集到的功耗曲线进行分析,发现功耗曲线的组成成分中包含噪声干扰,这些噪声会对侧信道攻击的结果造成很大的影响,本文采用一种混合去噪的方法对功耗曲线进行优化。接着对相关功耗攻击（Connectional Power Attack,CPA）的流程进行了详细的分析,发现使用皮尔逊相关系数计算猜测密钥与实际功耗的相关系数时采用的方法是逐条计算,针对这个问题提出一种类似于在线计算相关系数的方法,然后对这两种相关系数的计算方法进行对比,本文提出的方法破解密钥所消耗的时间要少于皮尔逊相关系数计算方法。通过分析经典模板攻击的原理和步骤,根据模板攻击中开销大和成功率不高的问题,提出了一种粗糙集理论结合支持向量机（Support Vector Machine,SVM）算法的攻击方法,对该方法的实验结果进行分析,发现粗糙集理论对数据的约简只是减少了冗余数据,并没有对不同特征的数据进行划分。根据粗糙集理论出现的问题,提出了一种先使用线性判别分析（Linear Discriminant Analysis,LDA）对数据集进行降维,并使用SVM算法对降维后的数据集进行训练的方法。通过使用ASCAD数据集作为攻击目标,提出一种主成分分析（Principal Component Analysis,PCA）应用于多层感知网络（Multilayer Perceptron,MLP）中的侧信道攻击方法,发现神经网络对带掩码的AES算法有较强的攻击效果。最后使用经典模板攻击的结果与本文提出的攻击方法得到的结果进行对比,分析各个攻击方法的性能。