近年来,深度学习技术的飞速发展,越来越多的人工智能产品也能落地了。伴随着深度学习技术在安防监控,银行金融,自动驾驶等安全敏感任务上的应用,深度学习模型作为一个黑盒的端到端模型,其安全性和隐私性也越来越受到人们的关注。对抗样本技术更是成为了深度学习研究的热门领域。虽然基于极大极小值优化的对抗训练方式成为了防御对抗样本攻击的最有效方法,但是对抗训练中存在两个问题:对抗训练比正常训练需要更大的模型容量,导致鲁棒模型中存在很多的冗余参数;对抗训练内部极大值通常需要大量的时间去求解优化,导致模型的训练过程比正常训练消耗非常多的计算资源。本文从模型结构稀疏的角度去解决这两个问题:（1）对于过参数化的鲁棒神经网络,从模型压缩的剪枝角度展开去直接裁剪掉冗余的模型参数。本文首先对鲁棒网络进行了彩票假设实验,通过一定的实验论证了在鲁棒网络中彩票假设并不成立。然后为了有效的压缩鲁棒网络,本文对鲁棒网络的权重分布进行可视化展开并发现了模型的鲁棒性,模型精度和稀疏性之间存在Trade-off的关系,而且鲁棒模型中间的参数对稀疏敏感度较高,根据这一稀疏特征本文提出一种基于稀疏敏感度分层剪枝算法对鲁棒网络进行压缩。最后将本文的压缩策略与经典的网络压缩算法结合进行实验。实验结果表明本文的方法不仅可以实现在保证鲁棒精度的前提下有效压缩鲁棒模型,而且在黑盒攻击下本文算法得到的稀疏子网络的精度甚至可以超过原始网络。（2）为了缓解基于优化的对抗训练的耗时问题,本文同样从模型的结构稀疏角度出发。通过对比单步对抗训练和多步对抗训练的之间的差异,发现在单步对抗训练中存在着严重的过拟合问题。本文模型大小角度缓解这个过拟合问题,通过结构稀疏来限制模型训练过程中模型的大小,本文提出一种基于结构稀疏的随机单步对抗训练,通过把模型结构的稀疏性和随机单步对抗攻击结合起来,实现提升单步对抗训练的模型鲁棒性的效果。在Mnist和Cifar-10公共数据集上的实验结果表明了本文方法的有效性,对比其他的快速对抗训练的方法本文的方法也有一定的精度优势。