随着深度学习技术的快速发展，其在计算机视觉、自然语言处理等领域取得了令人瞩目的成就。然而，深度学习模型的脆弱性问题日益凸显，对抗样本作为一种故意设计用于欺骗机器学习模型的输入，严重威胁着深度学习系统的安全性和可靠性。对抗样本的存在揭示了现有深度学习模型的脆弱性，表明了其在鲁棒性方面的不足。为了应对这一挑战，对抗机器学习的鲁棒性研究成为了一个重要的研究方向，其目的是提高深度学习模型抵御对抗攻击的能力，确保其在实际应用中的安全性和可靠性。本书从对抗鲁棒性评估和提升两个层面入手，提出了面向新型对抗攻击的对抗鲁棒性评估基准、小样本未知对抗样本检测方法以及基于元学习的对抗训练改进方法，以期全面评估和提升深度学习模型的对抗鲁棒性，为构建安全可靠的人工智能系统提供关键支撑。