图像作为一种直观高效的表达方式,在人们的生产生活中非常重要,因此图像处理技术也受到了学术界的广泛关注。近年来,对抗性深度学习的迅速发展为图像处理注入了新的活力。GAN(Generative Adversarial Network,生成对抗网络)是对抗性深度学习的核心,具有优秀的学习能力和拟合能力,尤其擅长处理有关图像方面的任务。本论文着重研究了GAN在图像翻译任务和针对图像识别网络的对抗性攻击任务中的应用。图像处理任务不同,网络的具体架构和引入的应用机制也各有侧重点。本论文针对上述两种图像处理任务,分别提出了两种基于对抗性深度学习的图像处理算法,即MMA-CycleGAN(Multi-head Mutual-attention Cycle Consistence GAN,多头互注意循环一致生成对抗网络)和WP-AdvGAN(Adversarial Attack GAN with Weighted Perturbations,带权扰动的对抗攻击生成对抗网络),具体工作如下:图像翻译是将图像从一种表达方式(源域)转换为另一种表达方式(目标域),在工业设计、艺术创作等方面有广阔的应用前景。现有的无监督图像翻译算法CycleGAN仅利用对偶学习来约束网络的拟合过程,致使生成器不能快速准确地学习目标域中的关键特征,因此翻译图像的质量有待进一步提高。基于此,本论文首次将互注意机制引入CycleGAN中,提出MMA-CycleGAN。该算法利用互注意机制在源域和目标域之间建立长距离的相关性,并利用注意力驱动建模,使得源域图像能够直接学习目标域中的关键特征。在此基础上,针对大尺寸的图像,互注意机制进一步改进为多头互注意机制以节约更多的计算机内存成本。实验验证,与其他无监督图像翻译算法相比,MMA-CycleGAN能更高效地建立起两个图像域之间关键特征的映射关系,显著提高了翻译图像的质量。图像识别技术目前已经在人脸识别、自动驾驶等方面得到了广泛的应用,但是研究表明添加小幅度扰动的对抗样本能对图像识别网络实现攻击,使其做出误判。目前,以AdvGAN为代表的大多数攻击策略构造的是全局扰动,虽然通过增大扰动的幅度可以获得更高的攻击成功率,但大幅度的扰动在图像的低频处易被人眼察觉。为解决这一问题,本论文通过在AdvGAN中引入定位模块,提出了一种改进的攻击算法WP-AdvGAN。该算法利用定位模块可以检测图像中各个位置对目标模型的决策敏感度,从而生成带有加权扰动的对抗样本。具体而言,决策敏感度高的图像区域往往对目标模型的决策有较大的影响,因此赋予对应位置的扰动以更大的权值。相应地,决策敏感度低的图像区域则赋予对应位置的扰动以较小的权值。实验证明WP-AdvGAN生成的对抗样本更接近于干净样本,且在定向和非定向攻击中均具有较高的攻击成功率。