随着生物识别的广泛应用以及随之而来的生物模板安全性问题,生物哈希作为一种有效的生物模板保护方案近些年来受到越来越多的关注。生物哈希通过哈希变换将生物图像转换成离散二值哈希码,这一变换过程通常被认为是不可逆的从而保证了生物模板的安全性。近年来,针对生物哈希的样例攻击,作为一种根据给定的二值哈希码重构原始生物图像的攻击方式受到研究者们越来越广泛的关注。这一样例攻击主要应用于验证生物识别系统的安全性或者扩充已有的生物图像数据集。在样例攻击中,研究者尝试利用相似性保持特性从离散二值哈希码重构原始生物图像,这一相似性保持特性构成生物哈希可用性的基础。然而已有的针对生物哈希的样例攻击方法在重构攻击过程中往往忽略重构图像的视觉相似性从而导致所重构图像极其容易与真实图像区分开来。为了从二值哈希重构既能以哈希特征通过识别系统验证又能与真实图像保持适度视觉相似性的生物图像,本文提出了基于生成对抗网络的样例攻击网络Biohash GAN。本文主要贡献如下:(1)提出了一个结合哈希空间的语义不变性以及图像空间的视觉相似性的新的重构目标,对于哈希语义不变性,针对重构图像与原始生物图像对应哈希码之间的汉明距离进行优化从而保证重构图像与原始图像被识别系统判定为同一类;对于视觉相似性,针对重构图像与真实生物图像对应分布之间的散度进行优化从而保证重构图像视觉上与真实生物图像相似。(2)提出了一个基于深度神经网络的网络简称哈希网络,用于拟合生物图像到生物哈希码之间的未知且非线性的映射过程并用于解决哈希空间中离散哈希变换的可导问题。(3)将哈希网络融合到一个两阶段生成对抗网络从而构造样例攻击模型Biohash GAN,其中生成对抗网络用于学习生物图像到哈希码之间的映射关系进而满足视觉相似性,而哈希网络用于约束生成对抗网络在哈希空间的表达从而满足哈希语义不变性。针对生物数据集包括虹膜数据集CASIA-Iris V4.0-Interval,人脸数据集CMU PIE以及生物哈希方法包括Iterative quantization以及Biohashing进行样例攻击,实验结果表明,本文样例攻击网络所重构图像在通过生物识别系统验证同时与真实图像保持一定视觉相似性。