语言是人类与生俱来且最为方便的交流方式,短暂的语音信号就能够携带大量信息。近年来,在人工智能和深度学习技术的推动下,使得基于语音识别的人机交互系统得以实现和广泛普及,小到智能手机语音唤醒、智能音箱,大到军用战机语音指令控制系统,可以说人工智能语音交互技术已经遍布在人们生活中的各个角落。然而,人工智能技术存在的安全问题也同样严重影响着语音交互领域,研究人员发现深度学习模型很容易被添加微弱扰动的对抗样本攻击,即使人类无法感知的轻微噪声也会使得深度模型做出截然相反的错误判断。故本文将探究语音分类识别模型对抗样本的攻防方案,研究语音对抗样本的生成和检测技术。首先本文构建了含有9分类、共计2万余条数据的英文语音指令数据集,搭建并训练得到了一个基于Bi LSTM网络的语音指令分类识别模型;其次提出了一种高感知隐蔽性对抗噪音生成方案,并结合启发式搜索算法分别设计了基于遗传算法和模拟退火算法的对抗样本生成算法;最后结合SVDD单分类模型以及ROC曲线概念,实现了基于多任务学习与SVDD的对抗样本检测,将语音分类识别模型以及对抗样本检测模型的浅层特征提取部分共享,从而极大的减小对抗样本检测功能的计算资源消耗,并基本实现了检测、识别同步进行地目的。此外,本文做了多组实验来验证设计方案的有效性,通过实验表明,所提出的高感知隐蔽性对抗噪音生成方案明显优于传统随机正态分布噪音方案,设计的对抗样本生成算法也能得到更高质量的语音对抗样本;而基于多任务学习的语音对抗样本检测模型也达到90%以上的检测准确率,且检测平均耗费时间仅占分类识别平均耗时的1.7%,其在不影响识别模型效率的情况下极大的避免了对抗样本的干扰。