随着智能设备计算能力的不断提升,机器学习尤其是深度学习技术快速地发展,并应用到了许多领域,深度神经网络的安全性问题逐渐成为研究的热点之一。自从深度神经网络对抗样本攻击的漏洞被发现并取得一定的攻击效果之后,越来越多的对抗样本攻击算法以及对抗样本防御技术在不断地进行更新迭代。在图像处理领域,残差网络是一种被广泛使用的深度神经网络,针对残差网络的各种对抗样本攻击算法层出不穷,残差网络的鲁棒性受到了极大的安全威胁。针对残差网络的构造,本文提出了一种基于全局卷积降噪块的新型特殊结构,提升了残差网络在多种对抗样本攻击算法中的鲁棒性,并对新型残差网络结构的性能进行了分析。此外,针对残差网络的训练机制,本文还提出了一种对抗稳定性训练方案,在网络训练的阶段提升了残差网络对于对抗样本攻击算法的鲁棒性。本文的主要创新点以及研究成果如下:（1）提出了一种基于全局卷积降噪块的残差网络模型,给出了该网络模型的具体构造,将全局卷积网络与降噪模块结合,全局卷积降噪模块与残差网络同时进行端到端的训练,并通过实验对比了基于全局卷积降噪块的残差网络与经典残差网络的性能,分析了二者对于对抗样本攻击算法的鲁棒性。（2）提出了一种针对残差网络的对抗稳定性训练方案,在网络训练阶段融合了失真样本与对抗样本,并分批次进行对抗训练,从而提高了残差网络对于失真样本以及对抗样本的分类准确率,提升了残差网络的鲁棒性。