深度学习有着强大而有效的网络结构,可以高效地解决传统机器学习无法解决的复杂学习问题。得益于优秀的学习能力,深度神经网络广泛地应用于目标检测、图像分类、语音识别等领域,其中卷积神经网络在图像分类任务上的表现甚至超越了人类水平。然而近期的研究发现网络对于微小扰动有着很强的脆弱性,比如图像任务中的对抗样本,是一种人为构造的特征扰动,微小到人类几乎无法察觉,但会极大地干扰网络的正常决策与行为。除了精心构造的对抗样本,一些现实常见、构造简单的污损噪声,如光照变化、移动模糊和高斯噪声等,也会干扰网络产生错误的行为或预测。无论是人为构建的对抗样本,还是更为普遍的污损噪声,网络都展现了令人担忧的脆弱性,限制了网络模型在现实场景中的应用,尤其是安全性要求较高的自动驾驶和医学诊断等任务,鲁棒性的缺失可能会导致难以挽回的后果。因此,为深度学习算法提供安全性的保障是非常必要的。本文针对卷积神经网络的鲁棒性问题,通过空域和频域视角展开研究,提出了相应的鲁棒性分析与改善方法,具体如下:（1）空域可解释方法的模型鲁棒性研究。卷积神经网络在训练和预测时机制复杂,有着一定的黑箱性,导致鲁棒性检测与改善存在着相应的难度,而可解释性方法对空域图像的归因分析,使网络决策在一定程度下透明化。本文基于空域可解释性方法,首先提出了决策特征一致性指标,通过衡量模型预测时对决策特征的利用,量化计算模型的鲁棒性表现。在Flower17、CIFAR-10、MNIST数据集上的对比实验,体现了该评估方法具有透明度高、计算代价小等优点。其次,提出了决策特征约束的训练方法,减少网络学习时对目标无关特征的利用,提高了决策特征的鲁棒性。通过在CIFAR-10数据集的实验,证明了该方法能够提高多种对抗攻击下的鲁棒性。不同于传统防御方法,该方法不依赖于特定的攻击手段从而适用性更广、计算资源的消耗较小、网络收敛的速度更快。（2）频域特征利用的模型鲁棒性研究。首先,将对抗样本与污损噪声通过频谱可视化分析,确立了两种噪声与不同频域分量的密切联系。其次,对现有频域增强改善鲁棒性却带来泛化性降低的表现进行了深入分析,发现了原始数据与其频域分量存在着数据分布的偏移,影响了批标准化层的数据统计,限制了模型对频域特征的利用。最后,针对性地提出了改进批标准化层的频域数据增强方法。该方法对增强的频域数据使用了额外的批标准化层进行处理,减轻了数据分布差异对网络训练的影响,从而更好地学习频域特征。经过CIFAR-10和CIFAT-100数据集的实验,证实了该方法可以同时提高鲁棒性与泛化性。通过消融实验,证实了全频段学习的有效性,对后续频域分析与改善方法有着一定的启发性。