随着计算机硬件和相关数学理论的不断发展和完善,神经网络取得了新的发展。基于神经网络的应用已经在多种场景下进行应用并在自动化处理方面取占据了重要地位。然而研究者最近发现存在神经网络存在很大的风险漏洞即容易受到对抗样本的攻击。对抗样本是通过在原始样本中添加微小的扰动,以使得在不被防御者发现的同时越过神经网络的决策边界,最终导致神经网络以高置信度决策出错。更有甚者,经过特殊设计的对抗样本可以使神经网络将样本判定为攻击者指定的结果。对抗样本产生的原因是所有神经网络本身都存在的问题,所以其严重威胁着当前基于神经网络的应用安全。如在计算机视觉领域中,对抗样本可以攻击自动驾驶、人脸识别、目标检测等任务。到现在为止,对抗样本的研究已经在图像领域取得了较为完善的研究体系。而在自然语言处理中,尤其是针对语音领域的对抗样本的相关研究较为薄弱。因此通过对语音领域对抗样本进行深入研究,有利于有效保障基于神经网络的语音处理系统的安全。截止到当前,语音领域对抗样本的研究主要基于两种场景:白盒攻击和黑盒攻击。在白盒场景下,由于可以获取到模型得相关信息,因此通过对目标函数进行构造的基于优化攻击算法是主要方法。基于优化的方法通过不断对已经构造好的目标函数进行迭代优化以寻求对应的对抗样本,尽管基于优化的方法具有较高的成功率,但是其每生成一个对抗样本时间消耗较大,无法适应实时对抗攻击的需要。在黑盒场景下,由于无法获取模型的相关信息,所以主要通过较老的基于进化的方法寻找对抗样本,如遗传算法、模拟退火算法、布谷鸟算法等。但基于进化的黑盒攻击方法对时间和算力的要求更高。此外,由于场景的限制,攻击者只能依靠现场对原始样本进行处理而不能提前构造未知的样本对应的对抗样本,即攻击者在实际攻击场景中无法获得目标样本的全部授权。为了解决上述语音领域对抗样本存在的问题,本文从以下方面展开研究并提出具体解决办法:（1）针对白盒场景下基于优化方法无法快速对原始样本生成对抗样本的问题,本文设计了更加高效的基于生成对抗网络的FAGAN语音对抗攻击算法。FAGAN生成算法基于生成模型,通过结合生成模型拟合样本分布的能力和神经网络在训练完成后快速生成数据的特点,较目前语音领域中主流的基于优化的语音对抗攻击算法,能够将攻击效率提升200倍。此外由于生成模型可以通过拟合对抗扰动的分布,FAGAN可以生成更加隐蔽的语音对抗样本。（2）针对攻击者只能依靠现场对原始样本进行处理而不能提前构造未知的样本对应的对抗样本这一问题。结合对抗样本研究领域中的普适性问题考虑,本文首次提出了基于生成模型的AUGAN语音普适性对抗攻击算法,AUGAN可以生成针对语音辨识模型的普适性对抗样本,通过多种实验探究了生成模型在普适性对抗样本的有效性,并且相比基于优化的方法,提高了生成对抗样本的攻击性能。