随着神经网络技术的不断成熟和完善,其已经被广泛应用于人们日常生活相关的各个领域,并已取得了非常显著的效果,然而对抗样本能够十分轻易地攻击神经网络,严重威胁着当前应用广泛的神经网络技术的安全。目前针对对抗样本的研究主要集中在计算机视觉领域,如自动驾驶、人脸识别、目标检测等任务中,通过深入研究对抗样本的攻击和防御从而有效保障神经网络的安全,而针对语音领域的对抗样本研究尚处于起步阶段,相关研究较为薄弱。语音领域对抗样本的生成方法主要包括两种类型:白盒攻击和黑盒攻击。针对白盒攻击,目前主要使用基于优化的C&W攻击算法设计,在整个原始语音上迭代地优化目标损失直至找到一个最小的对抗扰动。这种类型的攻击需要很大的计算资源和时间开销,同时算法生成的语音对抗样本鲁棒性较差。针对更为复杂的黑盒攻击,主要使用遗传算法设计,不仅需要大量的计算资源而且攻击效果不够理想。针对上述问题,本文进行了深入的研究和讨论,主要研究内容分为以下三部分:(1)设计了一种高效的白盒语音对抗攻击算法。基于梯度的攻击算法设计,结合语音数据特点,本文设计了更加高效的FTA语音对抗攻击算法。较目前语音领域中主流的基于优化的C&W语音对抗攻击算法而言,本算法最大能够将攻击效率提升8倍,更加高效快速地生成人耳难以察觉的语音对抗样本。(2)提出了一种鲁棒的白盒语音对抗攻击算法。基于语音领域中的时间依赖性特点考虑,本文首次提出了基于语音内容的CPFTA语音对抗攻击算法,可以仅将对抗扰动点平均添加在原始语音的63.12%区域,相比主流的C&W语音对抗攻击算法受到干扰的语音区域大幅减小。本算法首次探究了利用语音领域中固有的时间依赖性提升语音对抗样本鲁棒性的可行性,为后续语音对抗攻击算法的设计提供了新的参考。(3)提出了一种基于梯度估计策略的黑盒语音对抗攻击算法。针对黑盒语音对抗样本生成,本文有效结合语音数据的特点对目前计算机视觉领域中应用广泛的NES梯度估计算法进行改进,设计了适用于语音领域的NESA梯度估计算法。同时在该算法基础上有效结合FTA语音对抗攻击算法,本文首次提出了完全基于梯度估计策略设计的NESA-FTA黑盒语音对抗攻击算法。该算法对当前识别效果显著的Deep Speech语音识别模型的无目标攻击成功率可以达到100%,有效验证了基于梯度估计策略设计黑盒语音对抗攻击算法的可行性,为后续黑盒语音对抗攻击算法的设计提供了新的思路。