随着深度神经网络在众多领域的不断应用并且取得显著的成功,它在许多关键的安全环境中得到应用,尤其是在计算机视觉领域,深度卷积神经网络在图像的识别、目标检测和语义分割等任务上的表现已经超越人类。但已有研究表明,在原始样本中添加对人眼不可见的微弱扰动会导致神经网络出错,这种添加微弱扰动的样本称为对抗样本。通常人眼无法区分原始样本和对抗样本,对抗样本已经成为深度学习应用的重要影响因素之一。关于对抗样本的研究已经成为人工智能安全领域最新的研究热点,这对于保证深度学习算法的安全至关重要。传统的对抗样本生成方法将微弱扰动添加在原始样本上,这种扰动不在图像的语义空间并且显得十分不自然,本文基于图像隐空间,提出了黑盒攻击方法,设计并实现了相关攻击算法,能够生成自然的对抗样本,同时攻击成功率较高。本文的主要研究工作和创新点如下:（1）为了生成较为自然的对抗样本,提出了一种基于图像隐空间下的黑盒攻击方法。如基于梯度扰动的生成方法、基于优化的方法和基于生成对抗网络的生成方法来生成对抗样本等这些目前常见的攻击方法,将对抗扰动添加在原始样本中,易于被检测和不能实现完全的黑盒攻击等问题。本文针对黑盒场景下的对抗攻击问题,设计并实现了基于图像隐空间的黑盒的有目标攻击方法和无目标攻击方法。实验结果表明,使用本文所提方法生成的对抗样本比直接在图像上添加扰动的方法更加自然,对抗性扰动更专注于图像中的语义信息内容,并且黑盒攻击成功率也较高;（2）为了降低查询次数,提出了一种分布式对抗攻击方法。单机系统下的黑盒攻击方法通常需要不断的大量查询被攻击模型,如果人工智能提供商统计一段时间内访问它的次数,很容易会发现异常。本文针对分布式场景下的对抗攻击问题,设计并实现了分布式对抗的黑盒攻击算法,使得单机的查询次数被降低,在真实的攻击场景下不易被发现,并且成功率并没有被降低。