文本验证码出现早,可扩展性强,被广泛使用。然而,随着深度学习技术的发展,文本验证码的安全性受到越来越大的挑战。因此,为增强文本验证码面对深度学习模型时的反识别能力,论文提出两类适用于不同场景的基于深度学习的文本验证码反识别算法,这两类算法能在不影响人眼识别成功率的前提下最大化提升原有文本验证码的反识别能力。第一,研究计算资源受限情况下如何尽可能提升文本验证码反识别能力的问题。深度神经网络对对抗样本十分敏感,通过向原始样本添加人类难以感知的微小扰动生成的对抗样本能够有效地愚弄神经网络模型,使模型输出截然不同的结果,这一点正好符合验证码设计的初衷。基于这点,本文提出四种不同应用场景下的对抗文本验证码扰动算法来增强文本验证码的反识别能力,该算法不需要收集大量的样本进行模型训练,通过对原始图片上的像素值进行小幅度有针对性的变化,就能有效地对深度神经模型进行干扰,适用于在计算资源受限情况下使用。第二,研究计算资源充足情况下如何最大化提升文本验证码反识别能力的问题。本论文提出一种风格迁移转换网络可以实时生成带任意风格的文本验证码图片。只需向训练好的网络中输入一张待增强的原始文本验证码图片和一张随机选取的风格图片就能很快生成一张任意的风格增强文本验证码。风格迁移技术能很好地对验证码的字符轮廓进行保留,通过不断改变风格图像,可以生成不同风格的文本验证码,大大增加了验证码的多样性与随机性,在不影响人眼识别成功率的前提下,极大增强了验证码的反识别能力。由于涉及模型训练以及需要大量训练样本,该方法适用于训练样本充足,计算机算力足够的情况下使用。第三,分析本论文提出的两类文本验证码反识别算法的性能表现。本论文使用4种常见的CNN模型作为反识别能力评价模型,通过计算识别成功率评估指标,检测在有图片预处理和无图片预处理情况下经过上述算法处理后的验证码图片的反识别能力,包括反识别能力评价模型对于算法处理前后验证码图片评估指标的变化情况,以及处理后验证码图片对于不同识别模型的干扰效果。除此之外,考虑到攻击者可能会重新收集文本验证码样本,对样本进行人工标记然后再训练模型,以提升模型识别准确率,本论文对该情况进行了模拟,对使用本论文提出的反识别算法生成的增强型文本验证码对于再训练攻击的抑制作用进行了研究。第四,研究本论文提出的两类文本验证码反识别算法生成的增强型文本验证码的可用性。本论文使用Amazon Mechanical Turk众包平台对原始文本验证码及增强型文本验证码的可用性进行了测试,观察人眼识别成功率及平均识别时间的变化情况,测试本文算法会在多大程度上影响原始文本验证码的可用性。第五,为了更直观方便地测试本论文提出的文本验证码反识别算法的反识别性能,本文设计实现了文本验证码反识别实验平台,该平台集成了本论文提出的两类反识别算法,用户可以在该平台上上传待强化的文本验证码图片,即可生成对应的增强型文本验证码图片,同时能观察到文本验证码被强化后,识别结果、置信度等各项指标的变化情况。实验结果表明,本论文提出的两类基于深度学习的文本验证码反识别算法都能在不影响人眼识别的前提下有效增强原有文本验证码对抗深度神经网络识别的能力。