近年来互联网等多媒体的迅速发展,使得大量的人脸信息在各类平台中共享传递。与此同时,人脸识别技术快速地融入了现代人的生活,在带给人们便利的同时也带来了诸多安全问题。不法分子利用隐蔽的图像采集技术,从各大平台窃取个人图像信息,再利用高效的深度学习人脸识别技术工具,对人脸图像识别,从而获取受害者的身份信息,严重侵犯公民的隐私权益。针对以上问题,本文研究了人脸识别深度神经网络模型和对抗攻击的相关方法,提出了一种对抗神经网络人脸识别模型的图像生成方法。根据神经网络容易受到对抗性输入或干扰影响的特点,为保护人脸图像选择一个假冒攻击的目标,并且借鉴集成学习思想,搭建出一个集成的生成模型,来为人脸图像生成适量对抗性噪声。用带这种噪声的人脸代替原保护人脸图像被模型识别,从而误导深度学习人脸识别模型将其识别为假冒目标,实现个人身份的隐私保护。实验表明,采用本方法生成的图像具有较强的白盒假冒攻击能力,同时还具备一定的黑盒攻击能力,生成图片的主观评价指标也较好。此外,实验还验证采用该方法会牺牲少量白盒攻击能力来提高对抗攻击的迁移能力,产生白盒能力向黑盒能力转化的效果。