近年来,深度学习模型在许多计算机视觉任务上均取得了显著的性能突破。但是,随着深度学习模型的广泛应用与落地,模型本身的安全性受到越来越多的挑战与关注。攻击者可以根据深度神经网络的梯度信息,在原始干净样本上添加微小的像素扰动来欺骗深度学习模型,使得模型的性能显著降低。这种样本被称为对抗样本,给人工智能的产业化安全落地带来了巨大的威胁。研究如何有效地保护深度学习模型免受对抗样本的威胁和提升模型的鲁棒性具有十分重要的意义。尽管国内外的许多研究者已提出了各种对抗防御方法来防御对抗样本的攻击,但目前大多数的防御方法已被验证是无效的且并没有带来真正的对抗鲁棒性。对抗训练被证明是当前最有效的对抗防御方法之一。但是,现有的对抗训练方法仍然存在一些不足,主要体现在对抗鲁棒泛化的能力比较弱。针对某一特定攻击的对抗训练模型往往会过拟合于这种特定的对抗模式。针对该问题,本文对对抗训练的鲁棒泛化性进行了深入的研究,主要的研究工作与创新点如下:1)提出了基于域自适应的对抗训练方法。现有的对抗训练防御方法缺乏对不同的对抗攻击方法的泛化。针对这一问题,通过将对抗训练视作一个具有少量“目标域”样本的域适应问题,分别将干净样本分布和对抗样本分布视为域适应问题中的源域与目标域,通过将源域和目标域经过特征变换到相同的特征分布上,以提高对抗训练模型对不同攻击的泛化能力。2)提出了基于鲁棒局部特征的对抗训练方法。当前的对抗训练防御方法主要依赖于全局结构特征,缺乏对鲁棒局部特征的学习。针对这一问题,从特征学习的角度提出了基于鲁棒局部特征的对抗训练方法,通过破坏图像的全局结构信息实现鲁棒局部特征的学习与迁移,以此鼓励对抗训练模型通过鲁棒的局部特征学习,达到提高对抗训练模型的泛化能力的目的。3)为了进一步提高防御模型的泛化性,采用了多模型融合的对抗防御方法,结合基于域自适应的对抗训练模型与基于鲁棒局部特征的对抗训练模型。实验结果表明,提出的两种方法与模型融合的防御策略可以有效地防止模型过拟合于训练中所使用的对抗样本,提高了模型在测试数据上的标准泛化能力与鲁棒泛化能力。