在图像分类领域,对抗样本指对原图进行人眼不易察觉的改动后得到的、可让分类器产生错误分类结果的图像。现有的对抗样本生成算法大多通过迭代的方式,根据梯度等信息对原图进行多次修改,直到构造出对抗样本,其需要多次计算,导致对抗样本的生成耗时过长。基于生成器的对抗样本生成方法在模型训练完成后,只需要一次前向计算就可以生成对抗样本,耗时短,但现有基于生成器的模型生成的对抗样本与原图在人眼观察下具有明显区别。为了在降低对抗样本生成时间的同时,减少对抗样本与原图在人眼观察下的差异,本文提出基于生成器的对抗样本生成模型GPAE与t-GPAE,分别用于无目标与有目标对抗攻击,以提高对抗样本与原图在感知上的相似性,并保持对抗攻击成功率。GPAE与t-GPAE模型把对抗样本生成视为对原图的图像增强操作,以增加修改空间;在损失函数中引入GAN与感知损失函数并进行相关改进,以增加生成的对抗样本的真实性以及与原图的相似性。模型引入了多分类器损失函数以提高对抗攻击效率。有目标对抗攻击t-GPAE模型在GPAE模型基础上,引入WGAN-GP来提升模型稳定性,加快模型收敛。本文在标准数据集上进行实验,实验结果显示与其它基于生成器的对抗样本生成模型相比,GPAE与t-GPAE模型生成的对抗样本与原图之间的SSIM指标均有所提升。同时,本文还对GPAE与t-GPAE模型中各项改进分别进行了对比实验,实验结果显示出各项改进均可有效提升SSIM指标。这验证了本文提出的GPAE模型与t-GPAE模型可以在保持对抗攻击成功率的基础上,相比其它基于生成器的对抗样本生成模型,在无目标与有目标图像分类对抗攻击任务中生成与原图在人眼观察上更相似的对抗样本。