近年来,以深度学习为代表的人工智能技术取得了重大的突破,并已经融入到人们日常生活的各个领域。然而,深度学习技术飞速发展的同时,也极易受到来自对抗样本的安全威胁。攻击者可以利用相关对抗样本生成算法在干净样本中添加细微的扰动,将干净样本转化为对抗样本,从而颠覆模型的原定输出。与此同时,随着对抗样本攻击技术的发展,越来越多的对抗样本生成算法层出不穷,对抗攻击方式也在不断更新,给对抗攻击的防御带来了巨大的挑战。因此,针对以对抗样本为核心的对抗攻击防御技术展开深入研究具有非常重要的现实意义。鉴于对抗样本带来的安全问题,本文从图像预处理角度着手,利用图像重构和图像去噪技术消减对抗样本中的特定扰动,削弱对抗样本对于神经网络模型分类结果的影响。本文主要工作如下:1.提出了一种基于非负矩阵分解算法的对抗样本防御方法。利用非负矩阵分解算法的降维特性重构对抗样本,去除对抗样本中的冗余信息,从而消减部分对抗扰动。同时,分析了非负矩阵分解过程中各参数对扰动消减效果的敏感性以及干净样本重构后对模型分类结果的影响,确保在不影响模型分类结果的前提下,达到最佳扰动消减效果。实验结果表明,该防御方法在图像识别场景中,对于不同模型和不同攻击算法均能有效地提升模型的分类准确率。2.提出了一种级联融合的对抗样本防御方法。在基于非负矩阵分解算法的对抗样本防御方法的基础上,融合其他图像预处理技术的优势,构建系统的图像预处理防御体系。首先利用小波变换和小波逆变换消减对抗样本中的高频扰动,再引入非负矩阵分解算法重构对抗样本,最后再利用双边滤波消减对抗样本中的低频扰动。实验结果表明,该防御方法摒弃了单一图像预处理方法的局限性,能有效地消减对抗样本中的对抗扰动,从而更大限度的提升模型的分类准确率。