近年来,深度学习由于其出色的表现在计算机视觉,语音识别,情感分析等研究领域都取得了十分优异的成绩,大量的关于深度学习的应用出现在我们的日常生活中,为丰富我们的生活提供了许多的便利。但是最新的一些研究工作证实,在各个领域表现出色的深度学习模型非常容易受到攻击者的影响,当攻击者在输入样本中增加一个十分微小的扰动就可以导致深度学习模型给出错误的分类结果。但到目前为止,在对抗环境下对深度学习脆弱性的研究主要集中在图像领域中,在情感分析领域中的脆弱性仍然未知。为了进一步研究深度学习模型在情感分析领域的脆弱性,本文从对抗攻击和对抗防御两个方面对其进行了研究。在对抗攻击中,本文提出了一种基于同义词替换的对抗样本生成算法,该算法可以在黑盒对抗攻击下生成可用和高效的对抗性样本,我们通过设计一个新的评分函数对原始样本进行词语重要性计算,接着利用同义词替换的原则修改原始样本来产生对抗性样本,本文将在LSTM,Bi-LSTM和CNN三种深度学习模型上进行对抗攻击实验,并且将其与Random对抗样本生成算法,基于种群优化的对抗样本生成算法和Deep Word Bug对抗样本生成算法三种算法的实验结果进行了对比,结果证明了基于同义词替换的对抗样本生成算法在攻击成功率和单词替换率方面都优于其它三种算法。此外,在对抗防御中,目前的对抗防御技术大多数都是基于图像领域的,在情感分析领域针对文本的对抗防御技术仍然处于劣势,因此,本文提出了一种基于对抗性训练的对抗防御方法来增强深度学习模型在情感分析领域的鲁棒性,通过实验评估,该防御方法可以成功地降低对抗攻击带来的影响,初步验证了对抗性训练的防御方法可以增强深度学习模型的鲁棒性。