随着深度学习的发展,计算机视觉方向的研究成果在制造业、人脸识别、医疗诊断等众多涉及图像分析与处理的领域中发挥着不可替代的作用。图像分类任务是计算机视觉领域的关键任务之一,各类基于深度卷积结构的图像分类器已在ILSVRC等图像分类大赛中取得了优于人类的识别效果。但近年来的研究发现,对抗样本可以通过对图像的轻微扰动,使目标分类网络以高置信度给出错误输出,图像识别的安全性再次引起学界的广泛关注。对抗样本研究可以分为对神经网络的攻击与防御两方面。局部可见对抗噪声(Local and Visible Adversarial Noise)生成方法,是近年来学术界最新的对抗样本生成方法之一,作为一种新兴的对抗样本生成方法相关研究相对缺乏,是本文研究的关键基础。本文从攻击与防御两方面完成的主要工作包括:(1)分析了局部对抗噪声在图像修复、Grad-CAM、显著性等多维度的特征,说明了局部噪声块在网络中具备较强的显著性,以高强度的梯度变化为图像分类网络提供了主要的分类信息;提出了基于特征增强的局部对抗噪声生成方案,在搜索扰动的过程中运用了动量迭代的方法,通过实验验证提出的方法具有更高的攻击成功率和训练效率。(2)基于谱残差显著性检测能够有效描述局部噪声对抗样本特征的认识,设计了局部噪声防御的方法,并搭建完整的端对端图像分类器防御系统,系统由基于卷积神经网络的局部噪声检测模块和基于SR显著性的区域提案模块构成。验证了提出方法能够有效地鉴别和处理局部噪声样本,从而保障了图像分类器安全。