密码部件设计和密码分析是密码前沿一直关注的两大核心问题,两者相互制衡,又互相促进快速发展。分组密码属于对称密码,密码S盒是分组密码算法的关键组成部分,S盒的密码学性质是否优良决定着密码算法抵御密码分析的能力。密码分析则致力于寻找密码算法的漏洞和设计缺陷并尝试攻破算法,以检测密码部件或密码算法是否达标。在密码部件设计中,使用深度学习方法提高构造效率。同样地,为提高密码分析效率,各种自动化分析方法被提出,如MILP、SAT/SMT、和深度学习等。本文基于深度学习模型构造密码S盒,并基于MILP模型和深度学习模型开展对分组密码算法的安全性分析,主要内容如下:（1）基于GAN模型,提出一种8-bit S盒的设计方法。该方法首先基于AES算法S盒通过仿射等价构造数据集;其次,基于GAN的基本思想,对生成器和判别器进行调整,提出GSGAN模型生成密码S盒,通过交叉训练,构造具有良好密码性质的8-bit S盒。对生成结果的安全性指标进行测评,实验结果证明基于上述方法设计的密码S盒具有较好的安全性质。（2）随着密码设计强度的提高,为了高效地寻找更高轮数的区分器,优化MILP问题的约束条件和变量数量,针对ESF算法提出精简的MILP差分类搜索模型,自动化搜索ESF算法的差分活跃S盒的精准下界和不可能差分区分器。利用Gurobi求解器对模型求解,在单密钥和相关密钥情况下,搜索到ESF算法差分活跃S盒的精确下界、不可能差分区分器等结果。基于MILP模型搜索结果,攻击15轮ESF算法,与现有结果对比数据复杂度和时间复杂度均有下降。（3）MILP应用在大分组算法时,存在搜索时间过长,效率下降等问题,尝试基于深度学习对密码算法进行安全性分析。ESTATE是入选NIST第二轮的身份认证加密方案,针对该方案中的实例化可调分组密码算法TweGIFT-128,将搜索差分区分器问题转换为分类问题,构造TweGIFT-128算法的神经网络差分区分器,对算法进行安全性分析。相比于传统构建区分器过程,神经网络区分器模型更加简洁具有通用性,实验结果获得4/5/6/7轮的TweGIFT-128差分区分器。