脑机接口是一种能够让人的大脑信号与计算机进行直接交互的系统。目前，人们已经提出了多个专门针对脑机接口中脑电图数据的卷积神经网络分类器，但是这些分类器非常容易受到对抗样本的攻击，揭示了脑机接口系统的一个关键的安全问题。然而，考虑到攻击的因果性和脑电图信号的时序性，一般的对抗攻击方法不方便应用到脑机接口系统中。通用对抗扰动是一种十分微小且对所有数据样本完全相同的扰动，它能够通过提前离线计算并作为扰动模板实时的添加到脑电图信号中，同时解决上述应用问题，并且拥有足够强的攻击能力可以使得卷积神经网络的分类性能显著降低。本文主要关注脑机接口分类问题中的通用对抗扰动，也就是如何设计出通用对抗扰动成功攻击脑机接口系统以及如何防御它。主要分为以下三个部分：
　　(1)首先介绍了基于深度欺骗的通用对抗扰动设计算法，首次将通用对抗扰动的思想引入到脑机接口系统中。针对脑电图数据设计了一种迭代式的通用对抗扰动，验证了这种扰动在非目标攻击场景对脑机接口中三种常用的卷积神经网络分类器攻击的有效性。
　　(2)进一步提出了基于总损失最小化的通用对抗扰动设计算法，使用优化的方式来生成通用对抗扰动，并成功将通用对抗扰动从非目标攻击扩展到目标攻击。实验验证了在非目标攻击场景中，本文提出的方法能够在扰动更小的情况下取得更强的攻击性能。另外，实验结果表明在目标攻击场景中，本文提出的方法取得了接近100%的目标率，能够迫使卷积神经网络分类器将脑电图数据分类到任意指定类别。据我们所知，这是首次成功实现通用对抗扰动的目标攻击。
　　(3)首次在脑机接口系统中研究了通用对抗扰动的防御机制，从对抗样本的检测和模型的对抗鲁棒性两个方面对防御能力进行了分析，并通过实验验证了搭建通用对抗扰动检测模块和使用投影梯度下降方法训练模型这两种方式能够分别在不同应用场景中成功防御通用对抗扰动。