随着深度学习快速发展,神经网络的应用越来越广泛。随着部分关键领域对神经网络的安全需求不断提高,神经网络安全问题的研究就显得尤为重要。近年来,学者的研究表明通过在神经网络输入端加入扰动可以干扰整个神经网络的运行,然而这种输入端的干扰往往容易被察觉。本文着重关注神经网络模型的内部错误,也就是比特翻转错误。这种错误通常是由于外部环境变化,使原本在硬件平台上运行的神经网络模型权重出现比特翻转错误,从而影响整个模型的精度,甚至使整个模型出现故障。本文使用常见的神经网络模型,探讨了比特翻转的攻击方法以及应对比特翻转的容错方法。本文主要研究内容如下:（1）文章设计了一种神经网络的故障注入模型,该模型分别用全网络注入、定点注入和分层注入三种故障注入方式测试神经网络。实验选用Alex Net、VGG16、Googlenet神经网络模型,分析攻击对神经网络权重数量、比特翻转方向、故障注入位置、模型不同层位置的影响。实验结果表明权重数量越多模型受攻击影响越小;在翻转方向上,实验表明0→1翻转对模型的攻击效果最好;在故障注入位置上,实验表明只有在指数有效位上故障注入影响最大;在分层实验中,结果表明故障注入在靠后的层对实验结果影响较大。（2）针对比特翻转攻击对量化后的神经网络攻击效果不明显的问题,文章提出了一种双层搜索的攻击方法,算法结合双层搜索和梯度排序,通过遍历神经网络中每两层,根据梯度排序找出两层中的薄弱位进行比特翻转攻击,提高神经网络的攻击效率。实验结果表明通过双层搜索位算法可以大大提高神经网络的攻击效率,对比单层搜索位算法,攻击速度和攻击效果均大大增加,解决了位翻转攻击在量化后的神经网络攻击难度较大的问题。（3）针对普通剪枝防御无法有效对抗比特翻转攻击的问题,文章提出了一种基于权重分摊的防御模型。该模型在不改变原本神经网络结构的情况下,利用权重分摊方法提高神经网络的鲁棒性。本文先寻找关键神经元,将关键神经元进行拆分,分摊模型中关键神经元的权重,削弱关键神经元权重破坏对整个模型的影响。实验结果表明在相同的神经网络复杂度下,权重分摊后的神经网络模型受位翻转攻击影响较小。在不同的数据集实验中,权重分摊后的模型均有较好的鲁棒性。