随着深度学习的发展,人脸识别技术的准确率已经超过了人类水平。国内人脸识别应用发展迅速,所占市场份额越来越大,且应用场景已经涵盖安防、金融、智慧园区、交通出行、互联网服务等多个领域。随着越来越多安全性要求很高的领域使用人脸识别技术,如刷脸支付、人脸认证等,人脸识别技术的安全性开始受到人们的关注。针对人脸识别的攻击方法与人脸识别技术自身的发展息息相关,研究针对人脸识别的攻击有利于促进人脸识别技术更全面更健康的发展,通过解决各种针对人脸识别的攻击,能促进形成安全性保障更好的人脸识别技术,从而更好地被市场所接受并快速发展。采用对抗样本攻击深度神经网络一般分为有目标攻击和无目标攻击。其中有目标攻击指对抗样本误导神经网络将其识别为固定的目标类别;而无目标攻击仅需要让神经网络将其识别出错。针对人脸识别的对抗攻击中,有目标攻击比无目标攻击的攻击难度更大,但是其危害性也更强。为了深入探索人脸识别系统的安全性,本文设计并实现了针对人脸识别系统的有目标攻击,即模仿攻击,让对抗样本模仿成某固定目标。本文通过生成一副具有对抗性的眼镜,使用户在佩戴对抗眼镜之后会被识别成特定的攻击目标。在此基础上,本文进一步研究了增加对抗眼镜攻击范围的方法,完成了针对人脸识别系统的通用模仿攻击,即任何用户佩戴该对抗眼镜以后都会被识别为特定的目标。通用的模仿攻击使用一副对抗眼镜对所有人脸图像都能完成攻击,此时生成的对抗眼镜仅与模型有关,不再受输入图像的限制,对人脸识别系统的危害性更大。本文同时通过大量实验验证所提攻击方法的效果,通过准备人脸数据及对应的人脸识别模型,测试本文提出的对抗眼镜的攻击效果。大量实验表明本文提出的攻击方法的攻击率高,即使面对未知数据时依然保持一定的攻击效果,即能够对未知数据完成模仿攻击。从攻击角度研究人脸识别技术是为了全方位提升人脸识别技术,特别是提升其抗干扰、抗攻击的能力。本文希望通过提出的针对人脸识别系统的通用模仿攻击方法,引起更多研究者对人脸识别技术安全性的关注,促进学界、业界共同解决人脸识别应用中的安全隐患,从而全面提升人脸识别技术向着更安全更全面的方向发展。