对抗样本是深度学习领域中的一个有趣现象和重要研究方向。自2013年提出至今,关于对抗样本的研究得到了越来越多的关注。在计算机视觉的应用领域,如交通标识、物体分类和人脸识别,通过在原始输入图像中添加干扰生成的对抗样本,能够攻击神经网络模型,影响模型识别的准确性,对人类生产和生活的安全构成严重威胁。因此有必要做关于对抗样本攻击的进一步研究。根据干扰级别,对抗样本攻击可以分为像素级别的攻击和对抗块攻击,其中,像素级别攻击是人眼不可见的。相较像素级别的攻击,对抗块的方式由于干扰更集中、干扰程度更大,能够很容易地通过贴纸方法应用于实际场景。在人脸识别的应用中,现有的对抗块攻击方式存在明显的缺点,由于对抗块覆盖人脸的比例较大,产生的空间形变也变得比较明显。所以本文研究的主要目标是生成人脸占比小、能忽略形变的对抗块,能够成功攻击人脸识别模型。本文主要通过研究人脸识别模型中的相关梯度,确定人脸识别模型的重要特征区域,在该区域尝试多种对抗块中心点的查找和定位方法,从而确定中心点的位置。在此基础上尝试不同尺度,最终确定占人脸比例尽可能小的有效对抗块区域。为了减小形变和降低无效特征区域的影响,进一步的,将单对抗块方式的对抗样本转换成更为分散的多对抗块实现的对抗样本。基于ArcFace模型和Labled Faces in the Wild数据集的实验结果表明:梯度方法可以有效定位人脸识别模型的重要特征点和特征区域,得到位置更灵活的、效果更佳的对抗块。在人脸图像对抗块中,基于梯度定位方法的单对抗块可以比固定位置的单对抗块面积更小。而多对抗块与单对抗块相比,单块面积进一步减少,从而使得形变程度更低。结合重要梯度特征和多子块的方法,是对抗块样本构建中的—个新思路和研究方法。