近年来随着人工智能的发展,很多人工智能产品已经大量涌现在市场上。智能产品的安全性越来越受到重视,然而智能产品所依靠的主要技术(深度学习)缺少系统的测试理论方法,尽管2017年出现了首个白盒测试框架即Deep Xplore,但DeepXplore只能进行白盒测试却无法完成神经网络漏洞的自我修复。为解决这个问题本文提出了自我修复功能的深度学习框架——P-GAX算法,本文主要工作包括如下三部分:第一部分:研究背景综述。该部分介绍了本文研究的背景和需要解决的问题,在分析当前算法研究现状的基础上,提出了P-GAX算法来解决神经网络的查找和自我修复漏洞的问题。第二部分:P-GAX算法介绍。本文通过改进当前的一些算法提出了P-GAX算法,此方法具体分为三步:第一步是在GAN网络基础上引入并行计算和数据分类回收机制,同时改进GAN网络的损失函数,从而解决了MODE COLLAPSE问题并且增加了该算法的稳定性;第二步是引入CDeepXplore模块对生成器进行“体检”,目的是为了检查出隐藏的BUG(定义见2.2.1节)并修复它;第三步是求出前两步联合优化的最优解,求此最优解的过程方法即为P-GAX算法。第三部分:实验及结果分析。使用P-GAX算法和其它三种相似功能的算法并且对三个不同的经典数据库做性能测试;用MNIST数据集测试由该算法组成的网络的漏洞率和修复速率(定义见2.5节)。通过实验结果对比来测试该算法的性能,发现运行该算法得到的概率分布比其它三种方法在图像生成方面更符合自然规律,同时验证了该算法具有查找隐藏BUG并修复BUG的功能。