近年来,深度学习技术在许多方向上都取得了重大突破,而深度学习模型也被广泛地运用于各个研究领域和部署到人们的生活当中。尽管深度学习在许多复杂问题上取得了优秀的表现,越来越多的研究表明,深度学习模型存在许多安全上的隐患,从而容易受到恶意者的攻击,其中一个典型的攻击就是对抗样本。对抗样本通过攻击者有意添加扰动或噪声得来,能让机器学习和深度模型产生错误的输出。如果对抗样本上的扰动和噪声被约束得足够小,人眼或者系统将很难把对抗样本与正常样本区分出来。对抗样本可能对基于深度学习模型构建的系统产生严重的安全性威胁,尤其是在那些对于安全性要求较高的应用上。在这篇论文中,我们介绍了机器学习与深度学习中的一些基本概念,并总结了对抗样本近年来的研究成果。我们基于前人的文献综述和总结,对对抗样本的相关研究成果进行重新分类总结。在此之上,我们针对对抗样本,提出了一个通过对抗样本构建的正面应用:基于对抗样本的隐写机制。在这个机制中,我们将对抗样本自身的对抗性看作一种信息,该信息只被特定的模型能够解码。我们为隐写机制设计了四种可行的隐写方案,并通过实验展示了四个方案在不同约束下的表现。在论文的最后,我们对该隐写机制搭建了一个实验平台,并展示论文中隐写机制的一个可行的应用。