目标检测是计算机视觉的重要研究领域,用于判定输入的图像或视频是否含有物体,以及判定物体的类别和位置。近年来,随着深度学习在各个领域展露出性能优势,基于深度学习的目标检测的性能也有了突飞猛进的提升,检测速度越来越快,成为了目标检测的主要方法。因为对抗样本的存在,基于深度学习的目标检测算法的安全性备受关注。对抗样本的存在会在目标检测的应用场景中造成不可估量的后果,尤其是在军事场景中,其错误检测造成后果的灾难性更是不言而喻,因此,如何提高基于深度学习的目标检测网络的鲁棒性是一个十分具有研究意义的课题。近些年,国内外的学者针对识别任务提出了许多对抗训练角度的防御方法来抵御对抗样本,但目标检测场景下的防御方法却寥寥无几。本文针对军事武器数据集的目标检测场景,提出了一种对抗训练和特征图去噪结合的方法,来提高目标检测模型的鲁棒性。通过实验验证,本方法可以有效地提高Faster R-CNN网络的鲁棒性。本文的主要工作有以下:（1）根据已有的生成对抗样本的方法,提出了基于候选区域,结合Faster R-CNN网络结构生成对抗样本的方法——将分类和定位同时作为攻击的任务,并且着重攻击RPN,这是由于RPN生成的候选框错误会导致后续的检测结果也发生错误。首先设定了军事场景下的数据集类别,并在网络中爬取了对应类别数据;其次根据经典数据集VOC2007对爬取的数据进行标注。实验证明,在制作的军事数据集中,使用本文提出的生成对抗样本的方法,比使用经典的DAG算法有更好的攻击效果。（2）通过观察生成的对抗样本与干净样本可视化特征图,发现对抗样本和干净样本特征图的激活区域不相同,基于这一问题,提出了一种多尺度的去噪方法,并将这种方法应用在Faster R-CNN特征提取的浅层网络,以此来消除一部分“噪声”。同时在训练时将工作一中提出的方法应用于对抗训练,对本文提出的模型进行训练,提高Faster R-CNN网络的鲁棒性。通过实验验证,本文提出的基于特征图多尺度去噪的目标检测模型可以有效的抵御一些对抗样本的攻击。