近年来,深度强化学习（DRL）技术不断发展并被广泛应用于各个领域,但许多研究表明DRL模型在对抗攻击的威胁下存在安全漏洞,攻击者能够通过刻意扰动测试样本误导模型的决策。因此,DRL模型的安全性问题成为了研究重点之一。然而,目前针对DRL模型的对抗攻击和防御方法均存在一定的不足之处:现有攻击方法往往遵循分类任务中的攻击思路,导致攻击仅针对即时奖励,而没有考虑到对累积奖励的影响;现有防御方法,要么需要重新训练DRL模型导致计算成本过高,要么样本检测和动作修正这两个任务均依赖同个模型,导致了错误累积和模型训练难度增加。为了解决上述问题,本文在DRL对抗攻击和防御方法上做出了如下贡献:（1）本文提出了基于静态奖励影响图的DRL对抗攻击方法,深入挖掘对抗攻击下DRL的安全漏洞。我们的方法先是提出了静态奖励影响图以衡量输入像素对DRL模型累积奖励的影响,利用滑动窗口计算像素受到扰动后导致的累积奖励的下降程度。同时,静态奖励影响图的计算还考虑到了像素之间的相互影响。然后,我们的方法选取累积奖励影响值最大的像素进行攻击,从而构造能够有效降低累积奖励的对抗样本。实验结果表明了我们的攻击方法在白盒和黑盒攻击下均有着攻击效果的明显提升。（2）本文提出了基于多模型的DRL防御方法,提升了模型鲁棒性,为构建安全可靠的DRL系统奠定了基础。我们将防御这一复杂任务拆分成对抗样本检测任务和攻击下动作修正任务这两个相对简单的子任务。首先,我们提出了基于关联特征图的对抗样本检测模型,通过提取状态中观察帧之间的关联性,检测出对抗攻击导致的该关联性的改变,从而进行对抗样本的检测。其次我们提出的动作修正模型将对抗样本直接映射到干净的动作决策上。实验结果表明了我们的防御方法不但能够在多种对抗攻击下达到较好的防御效果,还大大降低了防御模型的训练时长。