随着硬件计算能力的突飞猛进和人工智能成为热门话题,深度神经网络（DNN）作为人工智能的重要工具,已经渗透到各行各业当中。但最近的研究表明DNN容易受到恶意攻击,这种攻击可以集通过在图像或者视频中加入精心设计的扰动来大幅度影响DNN的预测,使得DNN做出错误的判断。而对于这种加入扰动后的数据,我们称其为对抗样本。在对抗样本的研究领域中,主流研究可以分为两类:对抗攻击和对抗防御。对抗攻击研究的是通过攻击目标模型从而产生高质量的对抗样本,而对抗防御研究的是如何有效的应对对抗样本的攻击从而使得模型具有更高的鲁棒性。对抗攻击和对抗防御就像是矛与盾,相辅相成。当前研究中,对抗防御方法可以大致分为梯度信息的掩盖和干扰、对抗训练、对抗检测以及输入变换的方法,而其中对抗训练时最简单也是最有效的方法。因此本文针对对抗训练做了如下工作:首先针对对抗训练收敛不充分甚至不能收敛的问题,本文提出了一种基于自步学习的对抗训练方法。该方法通过模仿人类学习由易到难的过程,通过先学习一些简单的数据然后再过度到困难的数据,从而能够收敛到一个更好的模型。实验证明,在对抗训练中加入自步学习后,模型不仅最终能够收敛并且拥有更高的鲁棒性。不仅如此,本文还探究了不同的采样方法、不同的初始采样比例以及不同的预训练模型对模型性能的影响。其次是本文通过分析当前主流的对抗样本生成算法,发现大部分都是通过在干净样本中加入微小的扰动生成对抗样本,因此在特征空间中,对抗样本都十分靠近模型的决策面。为解决该问题,本文提出了基于监督对比学习的对抗训练方法。该方法引入监督对比学习,在特征空间中聚集同类样本同时拉远异类样本,从而使得样本能够远离模型的决策面,从而提高模型鲁棒性。本文通过在不同数据集以及神经网络上进行对比实验以及可视化模型的损失函数,证明了该方法的有效性。