在基于深度学习的图像分类领域,对抗样本生成的目的是使深度神经网络分类错误,进而验证被攻击网络的鲁棒性与安全性。对抗样本生成方法作为人工智能领域的重要分支,在诸多视觉任务的安全落地方面发挥着重要作用。目前,由于现有对抗样本生成方法通常无法获取被攻击目标网络的相关信息且不能频繁访问目标网络,对抗样本的生成任务面临着巨大挑战。本文针对现有对抗样本生成方法的不足,深入分析国内外研究现状并结合深度神经网络的工作特点,对如何更好地生成对抗样本展开深入研究。首先,对本文所提对抗样本生成方法所面向的图像分类任务场景和被攻击的深度神经网络进行简要介绍,并说明所提方法的应用场景。其次,为了解决小尺寸样本在NoBox攻击环境中的对抗样本生成问题,以现有深度神经网络面向图像分类任务所提取不同层次特征图的特点为出发点,探究基于特征图融合的对抗样本生成方法。分析不同权重特征图对最后分类结果的影响程度,引入注意力机制对各卷积层所提取的特征图进行权重分配。构建基础网络用于选取高权重特征图,并对所选特征图使用随机像素点值修改生成各层次扰动特征图。融合各层次扰动特征图生成对抗扰动并添加至原始输入样本生成对抗样本。再次,为了解决大尺寸样本在NoBox攻击环境中的对抗样本生成问题,分析了现有不同深度神经网络中卷积层所提取特征的相似性与差异性,设计了一种基于关键特征的对抗样本生成方法。基于原始输入样本使用随机像素点丢弃生成多张掩码样本,依据源深度神经网络中所选卷积层使用多张掩码样本计算聚合梯度并生成全局扰动图像。融合基于原始输入样本生成的热力图与全局扰动图像生成对抗样本。最后,基于CIFAR-10、MNIST和Image Net数据集进行参数选择实验和与其他方法的对比分析实验,验证本文所提两种对抗样本生成方法的有效性。