文字是人类文明重要的智慧结晶之一,常用于描写客观世界,记录抽象思想和与他人交流沟通。在人们的日常生活场景中处处都存在文字,如街道上的路标、商品的外包装、互联网上的网页等,使用计算机识别这些场景中的文字可以促进人们生产生活中信息的电子化。近些年随着深度学习的发展,自然场景文字检测和识别都取得了巨大的进步,已经可以从复杂的自然场景图像中识别出各种各样的文字。但是研究人员在图像分类模型中发现模型很容易受到对抗样本的干扰而导致错误的输出结果。目前没有人关注场景文本检测模型的鲁棒性问题,所以需要使用对抗样本对场景文本检测模型进行攻击,测试模型的鲁棒性和抗干扰性,同时研究相应的防御策略提高其在实际应用中的可靠性。本文的主要工作和贡献如下:1)基于Faster-RCNN的目标检测框架,训练了一个自然场景文本检测模型,在该模型上采用了基于梯度叠加干扰噪声的方法生成了多组具有不同干扰噪声量的对抗样本,将生成的对抗样本与原始图像进行了图像质量的分析和对比。2)为了研究场景文本检测模型的鲁棒性问题,使用生成的对抗样本对自行训练的Faster-RCNN场景文本检测模型进行了白盒攻击,并对五种经典的场景文本检测算法进行了黑盒攻击,实验结果表明大部分场景文本检测模型都容易受到对抗样本的干扰产生错误检测框,导致检测准确率下降。3)对于对抗样本的攻击,本文进行了两种防御方法的实验。一是将对抗样本加入模型的训练数据中,使得模型学习到对抗样本的干扰特点,减少错误检测框的出现。二是把对抗样本中的干扰噪声当作普通噪声进行处理,使用滤波算法对其进行过滤,分别对比了中值滤波、均值滤波、高斯滤波、双边滤波算法对对抗样本中干扰噪声的去除效果。