近年来,深度神经网络已经被广泛应用于计算机视觉等领域并取得了突破性的进展。然而,深度神经网络容易受到对抗样本的攻击。这些对抗样本在视觉上不被人类所感知却可引导网络对其误分类,给安全要求严格的现实场景带来了巨大的威胁。因此,研究对抗攻击以及如何防御对抗攻击从而获得鲁棒的网络具有重要的现实意义。一方面,现有大部分攻击方法采用?p度量距离扰动原始样本从而构造对抗样本。然而,该度量距离难以完成分布扰动。另一方面,为了抵挡对抗样本的攻击,对抗防御已经成为提升深度神经网络鲁棒性的重要手段之一。然而,现有大部分防御方法主要处理某种特定类型的对抗样本,从而难以抵挡多种（甚至未知的）攻击。针对?p度量距离存在的问题,本文提出内在分布距离作为度量距离,用于测量原始样本和对抗样本之间的图像相似度。该图像内在分布距离可被用于对抗攻击和对抗防御。具体地,本文提出一种新型的对抗攻击,通过衡量原始样本中块（patch）的分布和对抗样本中块的分布之间的距离来构造对抗样本。在这种情况下,该攻击方法可以生成语义上相似但更具有多样性的对抗样本。基于内在分布距离,本文还提出一种新的对抗防御方法,旨在学习更加鲁棒的模型以防御未知的对抗样本。理论证明,在对抗防御训练中需要更多多样化的对抗样本。大量实验展示了方法的有效性。针对难以抵挡多种（甚至未知的）攻击的问题,本文从对抗样本极大可能出现在分类边界的角度研究对抗样本的共性,并尝试将对抗样本纠正回原始干净样本的分布,进而达到防御的目的。本文从理论和实验上都验证了可纠正对抗样本的防御仿射变换的存在性。因此,本文提出一种防御模型,旨在参数化仿射变换并利用深度神经网络的边界信息以抵挡对抗样本的攻击。在人工数据集和真实数据集上的大量实验证明了提出的防御模型的有效性和泛化性。