在过去的几年中,图像分类算法,特别是深度神经网络(Deep Neural Networks,DNN)在诸多领域被广泛应用,并且取得了极大的成就。但最近的研究表明,通过对输入图像加以肉眼无法识别的干扰操作,能够使得所构建的对抗性样本误导DNN做出错误的判定。同时,自动驾驶事故的频频报道加剧了人们对DNN系统的担忧。DNN系统在现实运用中,特别是一些安全关键的领域,需要更加彻底地测试,而不是仅依靠新数据集准确率的简单评估。软件测试技术能够帮助我们评估DNN网络的鲁棒性,进而检测系统中的漏洞。然而传统的软件测试技术,如代码测试,不能直接应用到DNN系统测试中。同时DNN系统定义了一种新的数据驱动的程序范例,其内部逻辑极大的来源于训练数据的未知内在数量规律性,其input-output关系的界定极为困难。因此,本文的研究内容是针对DNN图像分类系统,构建符合MT理念的蜕变关系(Metamorphic Relation,MR),最后在通过MR生成的衍生测试用例集上执行突变体,并”杀死”突变体的比率,来评价MR的测试完备性。在本文中,我们构建了一种针对DNN图像分类系统的蜕变测试(Metamorphic Testing,MT)方法。该测试方法立足于使用图像处理知识,模拟现实生活应用中图像常见失真问题,提出了四种适用于DNN图像分类系统的MR。实验构建变异体并执行,以变异体被识别的比率作为完备性的评价标准,并与最近提出的MT方法进行对比,测试MR的完备性。实验表明,本文方法较优于其他方法。本文主要贡献点:(1)基于现实常见图像失真现象,模拟生成变化用例集,探究分析神经网络图像分类系统的识别机制。(2)基于MT理念,根据常见图像失真变化对神经网络图像分类识别机制的影响,构建了四种适用于神经网络图像分类系统的MR。(3)通过构建变异体的方式,该文提出的蜕变方法能够抓住64.28%所构建的变异体,证实所构建的MR具有良好的识别变异体能力。