计算设备性能的发展和海量标记数据的出现,使得深度神经网络的训练成为可能。深度神经网络以其强大的非线性映射和特征提取能力被广泛应用在人脸识别、虹膜识别等生物特征识别方面。然而,最近的研究表明,深度神经网络对于输入空间的划分存在局部非稳定性,这一特性使深度神经网络易遭受对抗攻击,即攻击者通过对输入图像进行微小的扰动就可造成深度神经网络误分类。对抗攻击的存在给深度特征提取器的应用带来严重的安全隐患。因此,提高深度特征提取器抵御对抗攻击的能力,使其具有鲁棒性,以及提高其特征判别能力,成为当前深度学习领域的研究热点具有重要的理论意义和应用价值。本文主要研究如何使得深度特征提取器兼顾其模型对抗鲁棒性和特征判别力,提出一种新的深度特征提取结构及其训练方法,主要工作包含以下几个方面:1.本文首先介绍了对抗鲁棒性判别特征提取的研究背景和意义。接着介绍国内外关于该领域的研究现状,并提炼其中存在的问题,即现有的深度特征提取器训练方法无法兼顾模型对抗鲁棒性和特征判别力,也没有合适的指标可用于评估衡量深度特征提取器的对抗鲁棒性。2.针对上述问题,本文结合变分参数编码结构与对抗训练,提出一种可以兼顾模型对抗鲁棒性和特征判别力的训练方法,并通过构造特征空间上的对抗攻击来衡量模型的对抗鲁棒性。本文的创新点有:1)将变分参数编码结构用于高判别力特征提取,提出变分球面投影模型。2)首次将对抗训练应用在深度特征提取器的训练上,在变分球面投影模型下,可以保证其特征判别能力的同时兼顾模型的对抗鲁棒性。3)提出一种距离测度下对称对抗鲁棒性评估指标,可以较准确地反映特征提取器的对抗鲁棒性。3.本文在MNIST数据集以及CASIA-webFace/LFW人脸数据集上进行实验,并将实验结果进行可视化。其中在人脸数据集上,相比与目前特征判别力最优的Sphere Face,本文方法在保持相近特征判别力的同时,对抗鲁棒性提升7倍以上。最后总结本文研究内容,并指出后续研究方向。