随着深度学习系统的发展,越来越多的领域开始大规模使用深度神经网络。所以全面测试以确保深度神经网络的鲁棒性很重要。可变强度组合测试作为一种有效的软件测试技术,能够检测参数间不同力度的交互作用产生的故障。测试用例优先级技术充分考虑测试用例的重要程度,使得具有高优先级的测试用例被尽早执行,从而在资源受限的情况下提高测试效率。在本文中提出了两种测试用例优先级技术分别为基于可变强度组合覆盖的测试用例优先级技术和基于神经元行为模式的测试用例优先级技术。通过实验对两种测试用例优先级技术的对抗样本检测能力进行研究。本文主要的研究工作如下:(1)针对深度神经网络测试提出了3种可变强度组合覆盖准则。使用MNIST数据集、4种实验模型以及5种实验样本对可变强度组合覆盖准则下模型的覆盖率峰值、单层覆盖率、覆盖率上升趋势、时间成本以及覆盖率与对抗样本之间是否存在相关性进行研究。实验结果表明:可变强度组合覆盖率与对抗样本之间存在相关性。(2)提出了基于可变强度组合覆盖的测试用例优先级技术。以可变强度组合覆盖率为优先级索引,对原始测试用例集进行优先级排序。比较基于可变强度组合覆盖的测试用例优先级技术排序后的测试用例集与随机测试排序后的测试用例集对对抗样本的检测能力。实验表明:基于可变强度组合覆盖的测试用例优先级技术不能改善测试用例集检测对抗样本的能力。(3)提出了基于神经元行为模式的测试用例优先级技术。以神经元激活行为与不同种类样本下神经元行为模式的相似度对原始测试用例集进行排序。比较基于神经元行为模式的测试用例优先级技术排序后的测试用例集与随机测试排序后的测试用例集对对抗样本的检测能力。实验表明:基于神经元行为模式的测试用例优先级技术可以改善测试用例集检测对抗样本的能力。