最近的研究表明:一些机器学习算法本身还面临着诸多安全威胁,进而影响到基于深度学习的实际应用的系统安全性。本文通过研究对抗性深度学习中的两个重要概念——对抗攻击和生成对抗网络,继而联合生成对抗网络和对抗攻击探究针对深度学习算法的对抗训练应用方案。本文将完成生成对抗算法及其在对抗样本生成上的应用研究,全文以对抗学习理论为核心分三步走。第一步,提出了一种基于胶囊神经网络的生成对抗网络模型,成功地将胶囊网络的优秀的特征学习能力迁移到对生成对抗网络的训练过程中,实验中证明了其不仅能在图像生成任务中稳定生成高质量图像,同时还能更有效地抑制模式坍塌情况的发生,继而为设计更优越的学习模型提供了有益的见解;第二步,以第一步中对生成对抗网络结构的研究和相关见解为设计基础,借助生成对抗网络对数据分布优秀的学习能力,提出了一种不受原始数据限制的通用对抗样本生成算法,与传统对抗样本攻击算法不同,新算法不仅能够脱离原始数据的限制生成高质量的对抗样本,而且样本具备良好的攻击性和攻击迁移能力,为对抗训练和提高深度神经网络的稳健性提供更多可能性;第三步,根据传统深度学习训练系统的不足,将第二步中设计的通用对抗样本生成算法应用到训练系统中,提出的一种基于生成对抗网络的更具稳定性的深度学习训练系统,能够得到更具防御力的网络模型,从而有助于神经网络的安全应用。本文三步走的策略从样本生成的原理研究、对抗样本的算法设计、对抗样本的算法应用三个层面,从里及表的对对抗学习理论进行了探讨,并在MNIST和CIFAR-10数据集上进行了大量实验和数据分析,为进一步建立安全的深度学习模型提供了解决思路。