本书系统研究了深度学习模型在面临新型对抗攻击时的鲁棒性问题，全面分析了对抗鲁棒机器学习的研究现状及面临的问题和挑战，并提出了创新性的解决方案。在对抗鲁棒性评估方面，构建了集成非Lp范数新型攻击的综合评估基准，为全面评估模型鲁棒性提供了工具。在对抗样本检测方面，提出了基于小样本学习的对抗样本检测方法，能够有效检测未知类型的对抗样本。在对抗样本防御方面，引入元学习思想，设计了双分支训练架构，显著提升了模型面对多种攻击的防御能力。