近年来,深度学习技术在解决实际问题中发挥了重要作用,为人工智能领域的发展带来了重大突破。然而经研究表明,训练良好的深度学习模型易受到对抗样本的攻击,模型的鲁棒性仍面临巨大的挑战。鲁棒性反映了模型在各种正常和异常输入下的稳定程度,尤其在安全攸关领域,对模型鲁棒性进行评估有助于更好地发现模型的缺陷,进一步提高模型的稳定性。卷积神经网络（Convolutional Neural Networks,CNN）作为典型的深度学习网络结构,在图像识别领域同样会受到对抗样本的威胁。围绕CNN模型的鲁棒性,本文创新性地基于预测不确定性指标提出CNN模型鲁棒性的评估方法,并在研究不确定性指标特性时,发现其可进一步用于测试数据生成。具体贡献如下:（1）为验证预测不确定性指标用于CNN模型鲁棒性评估的可行性,本文结合D-S证据理论可用于不确定性推理和决策的特点,对CNN分类器进行重构。接着根据重构模型在证据推理时得到的信息冲突值和信息无效度两个不确定性指标设计并进行实验。实验表明,不确定性指标可用于度量模型的性能表现,为后续使用预测不确定性评估CNN模型的鲁棒性奠定了基础。（2）通过分析信息冲突值随扰动强度的变化关系,本文创新性地提出两个鲁棒性评估指标,即冲突上限Δ6)6)88)8)8)8)8))和冲突下限Δ6)6)88)4)4)4)4)),并给出了CNN模型鲁棒性评估框架设计。同时,使用多个数据集对不同模型进行评估实验,实验表明所提出的冲突鲁棒性指标有效,可用于评估CNN模型的鲁棒性。（3）由于当前基于对抗性的测试数据生成方法仅仅考虑了CNN模型的结构和参数,并未考虑到样本特征之间的冲突和测试充分性,本文提出了一种新的测试数据生成方法—Deep Conflict。该方法以求解最大化样本特征之间的冲突值以及神经元覆盖率的联合优化问题为目标,通过不断对原始图像进行变异来生成测试数据。实验表明,生成的测试数据具有较高的质量,在视觉上仍然接近原始图像,并且Deep Conflict在生成测试数据数量方面优于DLFuzz,在增加神经元覆盖率提高测试充分性方面优于FGSM和CW方法。