以神经网络为代表的深度学习系统一旦训练调试完成,便可对相应的任务进行自动预测,此特性促使神经网络被工业界广泛应用。在部署深度学习系统之前,应对一些目标性质进行全面的测试或验证,在一定程度上保证能够满足这些性质。除了鲁棒性和安全性,公平性也是一个设计良好的深度学习系统应该具备的重要性质。在与人相关的分类预测任务中,神经网络模型的不公平决策会影响甚至改变用户的生活。为了避免歧视事件的发生,评估并改善神经网络模型的个体公平性,系统地生成能够揭露歧视问题的测试用例是关键。本文利用神经网络可导或几乎处处可导的性质,提出了一个针对神经网络模型的公平性测试框架EIDIG（Efficient Individual Discrimination Instance Generator）,用于发掘并修正神经网络模型中存在的歧视。EIDIG采用模型输出对输入的梯度作为指引信息,取代了损失函数对输入的梯度,有效降低了计算负担,并分全局搜索和局部搜索两个顺序的阶段生成个体歧视样例。在全局搜索阶段,结合聚类算法快速生成一小批多样化的个体歧视样例作为下一阶段的种子输入;在局部搜索阶段,在上一阶段生成的个体歧视样例周围检测出尽可能多的个体歧视样例。最终,从搜索到的个体歧视样例中抽取一部分用于神经网络的重训练,进而有效提升原神经网络模型的公平性。在两个搜索阶段中,均充分利用了相邻搜索迭代步中的先验信息来优化算法。在全局搜索阶段,根据梯度引导将潜在的个体歧视样例对向神经网络的决策边界扰动,直至两个仅敏感属性有别的对偶样例得到不同的预测结果,并在梯度中引入了动量项,这使得每一搜索迭代步中使用的梯度信息包含了最近多步的梯度信息,从而稳定搜索方向,加速全局搜索过程的收敛;在局部搜索阶段,根据梯度信息评估属性贡献度,对已有的个体歧视样例对作影响尽可能小的扰动,从而尽可能保留原有的预测结果,通过实验发现局部搜索阶段相邻迭代步包含的梯度信息高度冗余,因而降低了梯度和属性贡献度的计算频率,在保证搜索效率的同时大幅降低计算成本。实验结果表明,相较于之前最为先进的公平性测试方法,EIDIG平均多生成了19.11%的个体歧视样例,将整个搜索过程加速了121.49%,在保持原模型预测精度的同时将其歧视程度减轻了80.03%。EIDIG在歧视样例的生成数量和生成速度以及提升原模型公平性等方面取得了暂时领先的实验表现。此外,给出了将EIDIG算法适配到更广泛的应用场景的途径。为了应对神经网络模型内部结构和权重无法得知的黑盒测试环境,运用零阶优化对梯度进行估算,实现了EIDIG在黑盒场景下的应用。为了使得EIDIG能够处理非结构化数据集,提出了三种篡改图片或文本数据的敏感属性的思路,通过迭代地调用对抗攻击方法来修改图像或文本的敏感属性,调用表现先进的生成对抗网络模型来生成真实的对偶图像样本,以及运用词语类比理论来替换文本数据中有关敏感属性的关键词。