随着人工智能技术的快速发展,深度学习在众多领域中取得了巨大成功,尤其是在计算机视觉领域。基于深度学习技术的图像识别、目标检测与目标分割等技术日益成熟并在相应的应用系统中占据重要地位,譬如基于人脸识别的支付系统、基于自动驾驶的无人公交以及基于目标检测的视频监控等。但有研究发现,深度学习模型很容易受到对抗样本的攻击,即在输入中添加细微的扰动,使模型以高置信度给出错误的输出,导致人工智能系统判断错误,严重时会危害人类安全。为抵抗对抗样本攻击,提高人工智能系统的鲁棒性与可靠性,各种对抗防御技术被提出,本文重点研究局部可视对抗样本攻击防御技术,对探索对抗样本产生的规律,促进更可靠的人工智能系统应用于日常生活领域具有重要意义。本文的主要工作如下:（1）针对局部可视对抗样本攻击,本文提出集定位、检测与修复于一体的局部可视对抗样本防御方法。对抗样本的出现引起了人们对人工智能安全问题的热议,如何防御对抗样本对系统的攻击是其中的研究重点,有效的防御手段可以提高深度学习模型的鲁棒性与系统的稳定性。（2）针对局部可视对抗样本中的检测问题,引入类激活映射机制定位得到影响图像分类的特征区域位置,再通过检测区分出干净样本与对抗样本。首先利用类激活映射方法得到图像中影响分类的特征区域;然后再对该区域进行图像压缩、图像旋转和位深度降低等方法进行特征压缩;最后计算该区域转换前后的距离差值,从而区分出干净样本与对抗样本。（3）改进原有的生成式对抗网络,对局部可视对抗样本进行修复。采用生成式对抗网络对图像中的缺失部分进行图像修复,可以得到不含对抗噪声的干净样本,确保深度学习网络模型的正确分类。首先在生成器部分的引入空间金字塔技术,允许输入任意大小的图像,并可对特征进行进一步提取,从而提高生成器的生成能力。在判别器部分采用局部判别器与全局判别器相结合的双判别器方法,确保图像修复的质量与修复稳定性。