近年来,人工智能技术的飞速发展,在计算机视觉、自然语言处理、语音识别等多个领域展现出其强大的应用价值,人工智能技术的安全性问题也随着这些应用的推广变得越来越受到重视,对抗样本的存在也越来越引起相关研究者们的关注。通过对对抗样本相关问题的研究,可以更好地思考人工智能技术,了解以深度学习为代表的第三次基于连接主义的人工智能浪潮中各种算法模型的本质。通过对抗样本的产生和防御等方面的研究,以更好地掌控人工智能技术,在未来的人工智能技术进一步落地时,有更多的可能去尽力避免一些潜在的安全性问题。自从2014年对抗样本被发现以来,国内外研究者们提出了一系列的对抗样本生成方法和防御方法,使得对抗样本问题的研究越来越深入。本文主要研究对抗文本的生成方法,通过借鉴传统算法思想设计算法去攻击一个表现良好的用于情感分析任务的卷积神经网络,探寻在最短的时间内找到最不容易被人类感知的对抗样本。通过借鉴遗传算法的思想,对遗传算法的整个迭代过程,诸如种子种群生成、种群选择、种群交叉、种群变异等阶段针对生成对抗样本这个问题进行针对性的设计。对适应度函数的设计立足于被攻击模型得分和改动比例得分两项,尽力做到尽快找到好的对抗样本。所设计的攻击方法得到了成功地实践。最后的实验结果表明,借鉴遗传算法思想进行改进的对抗样本生成方法在攻击成功率和扰动比例方面都取得了非常好的效果,所生成的对抗样本较难为人类所感知;同时,所设计的攻击方法在对抗样本的产生速度方面也取得了良好的效果。