随着经济的快速发展,汽车的保有数量也在急剧增加,道路安全问题也愈发严重。智能驾驶通过感知周围驾驶环境,辅助驾驶人员进行驾驶任务,可以有效地减轻驾驶员的负担从而降低交通事故发生的概率。交通标志识别系统是智能驾驶中非常关键的一环,对安全性有非常高的需求。近年来,随着交通标志识别系统上深度学习技术的大量应用,其性能有了质的提高,但深度学习本身的安全问题也随之而来。对抗样本对深度学习模型的可用性产生了巨大的威胁,成为深度学习技术广泛应用的最大限制。交通标志识别系统也正受到对抗样本的威胁,为确保系统的安全性,对对抗样本攻防技术展开研究具有非常重要的现实意义。本文在交通标志识别系统中表现优异的Faster-RCNN模型上,进行了对抗样本攻防技术的相关研究,为以后的系统安全加固工作提供了参考。在攻击方面,针对两种不同的攻击场景,本文都进行了相关攻击方案的研究。在白盒攻击场景中,本文改进了图像分类网络中的白盒对抗攻击方案,使其迁移到交通标志识别场景当中。在黑盒攻击场景中,本文对人眼视觉空间中的现象进行分析,提出了一种基于信噪比约束的隐蔽性改进方案,可以生成高隐蔽性的随机对抗扰动,供黑盒攻击方案使用。在此基础上,本文提出了两种高感知隐蔽性黑盒攻击方案,解决了黑盒攻击中重要的隐蔽性问题。本文设计了一些实验,评估了所提出的攻击方案的性能。实验结果表明,本文提出的攻击方案都达到了预期的攻击效果,对目标模型的性能造成了重大的损失。本文提出的隐蔽性改进方案与高斯噪声方案相比,所生成的对抗样本与原样本更为相似,隐蔽性更佳。在防御方面,本文首先提出一种基于参数共享的对抗样本同步检测方案,采用交通标志识别系统内提取的特征变量来分辨对抗样本与正常样本,具有低时间开销的优点。其次,本文提出了一种基于卷积自编码器的对抗样本修复方案,且通过使用新的损失函数,可以更快地训练模型和高质量重构图像。本文对防御方案进行了实验,以评估它们的防御效果。实验结果表明,这两种防御方案都对对抗样本具有有效的防御效果,且耗时较少,具有广阔的应用前景。