近年来,深度学习技术快速发展,已经成为人工智能领域的研究热点和主流发展方向。尽管某些基于深度学习的视觉应用已经开始向产品化方向发展并取得一定成绩,但深度学习技术全面、深入地向产业界进行转化仍存在诸多限制,其中,深度模型鲁棒性是关键因素之一。深度模型鲁棒性要求模型在常规训练集上具有显著的性能、在噪声数据集上具有良好的稳定性同时在分布发生偏移的测试数据上具有较好的泛化性能。为了全面提高模型在不同视觉测试场景下的鲁棒性,本文首先对模型鲁棒性问题进行建模分析,并将建模结果作为本文评价模型鲁棒性的统一依据。然后本文以计算机视觉任务为主要应用场景,结合深度模型鲁棒性的限制因素,对深度模型进行模块化分析。根据分析结果,本文以增强模型的特征提取和鉴别能力为核心切入点,从增强卷积神经网络的特征提取能力、模型的特征鉴别能力和特征在模型中的一致性响应三个方面进行深入研究,论文的主要创新性工作包括:（1）提出了基于在线推理策略的自适应空洞卷积神经网络,实现模型在训练过程中自适应地调整卷积核的感受野,增强卷积神经网络的特征提取能力。空洞卷积通过引入空洞值这一参数使相同尺寸的卷积核获得了更大的感受野,而错误的空洞值选择会降低空洞卷积的效率,给模型训练造成影响。针对这一问题,本文提出了空洞值在线推理策略,并通过引入Gumbel-Softmax函数来近似拟合空洞值采样过程。同时设计了马尔科夫聚合模式等多种层间信息聚合模式对隐藏单元的信息更新方式进行建模。实验结果表明,本文提出的自适应空洞卷积神经网络可以灵活嵌入卷积模型进行训练,并对模型在典型视觉任务上的鲁棒性带来稳定的提升。（2）提出了基于主动学习的Active Dropblock方法,实现Dropblock中掩码的在线优化,增强模型对数据中所包含有效特征的鉴别能力。Dropblock通过使用结构化掩码对特征进行扰动,克服了传统Dropout在卷积神经网络效率低中的问题,然而掩码的生成缺乏合理的指导,给模型训练效率造成一定负担。针对这一问题,本文首先基于主动学习思想对模型的更新过程进行优化,然后通过构建参数选择器实现掩码的在线优化。实验结果表明,本文提出的Active Dropblock可以有效提高模型对对抗样本的抵抗能力,同时,该方法提升了模型对数据的利用效率以及特征在模型中的激活响应。（3）提出了基于对比学习的鲁棒性学习模式,提升模型在未知测试数据上的泛化能力,增强特征在模型中的一致性响应。数据增强技术通过将增强后的图像数据添加到训练集,扩大了训练集的数据分布程度,一定程度上提高了模型在未知测试数据上的泛化能力,然而有限的数据增强操作无法应对复杂的现实测试环境。针对这一问题,本文首先通过引入不同的数据增强方法构建干净样本的增强变体,并使用这些图像样本构建基于类别敏感的正负样本对,然后将这些样本同时输入模型进行训练,在特征提取和样本预测阶段,本文分别提出了基于对比学习的特征一致性和预测分布一致性约束策略,对特征及预测分布的一致性表达进行约束。实验结果表明,该方法可以有效增强模型同类样本的特征在模型中的一致性响应以及数据的利用效率。