验证码的作用是区分人与机器,在互联网时代早期图像验证码具有非常好的效果。近年来,软件技术飞速发展,特别是深度学习方面的技术突破和硬件突破将AI技术引入了全新的时代。AI技术在图像识别和处理的优秀表现,给图像验证码的核心功能带来了严重挑战。相较于传统基于OCR技术的文字识别破解验证码,基于深度学习技术的破解系统破解的准确率更高、效果更好。于是各式新颖的验证码系统层出不穷,但这些新兴验证码操作逻辑不够简便、流程复杂,虽然在阻拦机器方面进步巨大,但是对用户不友好,以至于用户在其上的通过率也不高。因此提升图像验证码的安全性具有重要的现实意义。对抗样本技术在提高模型鲁棒性、可靠性方面具有重要意义。它的主要表现是使模型做出错误的分类,与我们提高图像验证码安全性的需求一致。因此,本文提出一种基于对抗样本技术的图像验证码安全性提升方法,通过在验证码中加入噪声扰动,达到欺骗模型的目的,使得深度学习模型识别图像验证码的功能失效。本文的主要工作有:（1）提出一种GAN图像对抗样本生成方法,提高构造对抗样本的效率以及攻击成功率。该方法构造一个双生成器的GAN网络,在有目标攻击下,其输入为数据集的原始类别和有目标攻击下的类别;在无目标攻击下,只需输入数据的原始类别即可。系统输出为满足该输入要求的对抗样本,能够有效扩充对抗样本集的规模,可以对目标模型进行半白盒攻击和黑盒攻击。（2）黑盒攻击场景下,提出一种基于模型蒸馏的黑盒攻击方法。通过对目标模型的学习和蒸馏,得到目标模型的本地复制,然后使用传统与白盒攻击相同的方式对蒸馏模型进行攻击。由于蒸馏模型在某些层面的关键权值向量能够与原始模型重合,因此,相较于传统基于查询的方式所构造的对抗样本,能够显著提高黑盒攻击方式下的攻击成功率。（3）将对抗样本技术应用于图像验证码领域,提升图像验证码在应对深度学习系统破解下的安全性。搭建基于深度学习模型的图像验证码破解系统,通过对抗样本技术向验证码添加扰动,可以使得系统的识别成功率显著降低,通过实验证明,基于对抗样本技术的验证码安全性提升方法能够显著提升验证码的可靠性。（4）搭建基于对抗样本技术的验证码WEB接口平台。对本文提出的图像验证码安全性提升方法进行部署,开发出一个能够以WEB接口方式提供安全性较高的图像验证码系统,并可视化展示。