深度学习技术的兴起,使以深度神经网络作为计算核心的语音识别得到了迅速发展。语音识别的高准确性及便利性吸引智能设备提供商,各种智能终端开始广泛地配备语音输入接口。然而,此前的研究表明,基于深度学习的语音识别系统容易受到恶意添加的微小扰动攻击。这种刻意制作的扰动添加到原始语音中生成的音频被称为语音对抗性样本,可致使语音识别模型错误输出,且不易被发现。为了提高语音识别系统的安全性,对语音对抗性样本安全问题的研究刻不容缓。本文首先对已提出的语音对抗性样本进行实验探究,发现其对语音重采样过程中产生的噪声和语音时序移位变换鲁棒性不足,甚至完全失去对抗性。因此,本文基于期望变化框架针对语音重采样中最常见的语音的噪声叠加和语音移位分别设计了鲁棒的语音对抗样本生成算法。其次,此前研究所针对的目标深度神经网络为循环神经网络,而目前将卷积神经网络应用于语音识别已成为趋势。因而,本文亦用鲁棒的语音对抗样本生成方法攻击基于卷积神经网络的语音识别系统,以验证本文方法的有效性。最后,为更深入分析研究语音对抗性样本安全问题,本文搭建了语音对抗性样本安全此时平台,平台集成了基于循环神经网络和卷积神经网络的语音识别模型。基于此平台,本文设置了一系列实验探究了不同参数对语音对抗性样本的鲁棒性、信噪比、生成成功率等的影响。实验表明,本文提出的鲁棒的语音对抗性样本生成方法能够有效攻击基于循环神经网络和卷积神经网路的语音识别系统,且生成的对抗性样本同时具有对噪声和语音移位的鲁棒性。此外,本文基于测试平台对语音对抗性样本进行了较全面的实验探究,得到了一些结论。