随着人工智能技术的快速发展,深度神经网络已经在计算机视觉、语音识别和自然语言等领域得到广泛应用。然而,研究发现深度神经网络面临着对抗样本的威胁,通过研究高效的对抗攻击算法可以使其更加安全可控,积极推动深度神经网络领域的发展。目前诸多对抗攻击算法仍然面临攻击成功率低、生成对抗样本相似度差,或者计算代价高等不足。鉴于此,本文针对通用对抗扰动和黑盒个体对抗样本问题,研究新的对抗扰动生成算法。（1）为提高通用对抗扰动算法的攻击成功率,提出一种在深度神经网络中融合对抗层的图像通用对抗样本生成算法。首先,在神经网络中引入对抗层的概念,提出一种基于对抗层的图像对抗样本产生框架;接着,将多种典型的基于梯度的对抗攻击算法融入到对抗层框架,理论分析所提框架的可行性和可扩展性;随后,在所提框架下,给出了一种基于RMSprop的通用对抗扰动产生算法。只需要通过少数样本训练对抗层的参数,即可得到通用对抗扰动。最后,在多个图像数据集上训练5种不同结构的深度神经网络分类模型,并将所提对抗层算法和4种典型的通用对抗扰动算法分别用于攻击这些分类模型,实验验证所提通用对抗样本生成算法的有效性。（2）研究一种基于图像频域的黑盒对抗样本两阶段进化生成算法。第一阶段即频域通用对抗扰动生成阶段,其目的是,基于随机选择的少量原始图像快速生成一个具有较高攻击成功率的频域通用对抗扰动;借助第一阶段生成的频域通用对抗扰动,第二阶段即频域个体对抗扰动生成阶段,针对每个给定的原始图像继续生成它的最优对抗扰动,进而产生它的个体对抗样本。在生成频域个体对抗扰动时引入空间-频率交互敏感性指标,用于评价对抗样本和原图之间的相似性,基于该指标得到的对抗扰动更加符合人眼主观感受。最后,与多种典型的黑盒对抗样本生成算法进行对比,验证所提算法的有效性。该论文有图10幅,表22个,参考文献84篇。