面对人工智能引起的新一轮产业变革,安全、可信的智能系统是保障社会实际应用的重要基础。然而,理论研究与实际测试表明智能技术尚不成熟,构建安全可信的模型算法仍是研究领域中的难题。图深度学习模型,例如图卷积网络,因为在一些任务上的出色表现引起了研究人员的关注。然而,图深度学习模型易受对抗攻击产生的对抗样本影响,对抗样本严重影响了深度学习模型的实际性能。因此需要促使研究者设计一种先进的防御方法,以削弱潜在的对抗样本对模型鲁棒性的影响。为了解决以上问题,本文主要从以下两个方面进行探索研究:1.针对图节点分类模型性能容易受到对抗样本的负面影响,本文设计了一种基于图纯化的节点分类防御方法。针对在不同扰动环境下采集到的图数据进行分析,尝试寻找对抗样本在数据集中的内在特点。本文发现除了攻击者倾向在两个特征相似度极低的节点之间添加边以外,也善于去创造存在特征相似度极低的节点对所形成的路径。为了降低这些对抗样本对节点分类模型效果的破坏,该方法通过减弱具有这些特征的边在模型特征聚合时起到的作用来尽可能的恢复节点分类模型的性能以求能够达到防御效果。2.在得到了图纯化处理后的图数据之后图中仍残留部分对抗样本,为了在这种情况下进一步提升节点分类模型的性能,本文设计了一种结合图纯化与决策边界的节点分类防御方法。利用模型输出信息来近似计算不同类型节点在线性决策边界上的位置信息,之后通过引入自训练机制来提取图数据集中的信息,通过为大量无标签节点打上伪标签来扩充数据集中带标签节点的比例,进一步减弱对抗样本降低模型性能的能力,恢复模型原有的性能。本文提出的防御方法,使得图数据集中残存的对抗样本的负面作用进一步被削弱,从而进一步提升节点分类模型的分类性能。实验结果表明,本文设计的面向图数据节点分类模型的防御方法能够有效地保护节点分类模型在不同类型对抗样本下的节点分类性能。