深度神经网络（DNN）易受对抗样本攻击的特性引发了人们对人工智能系统安全性和可靠性的重大关切，其中对抗训练是增强对抗鲁棒性的一种有效方式。针对现有方法使用固定的对抗样本生成策略但存在忽视对抗样本生成阶段对对抗训练重要性的问题，提出一种基于自适应攻击强度的对抗训练方法。首先，将干净样本和对抗样本输入模型得到输出；然后，计算干净样本和对抗样本模型输出的差异；最后，衡量该差异与上一时刻差异的变化情况，并自动调整对抗样本强度。对三个基准数据集的全面实验结果表明，相较于基准方法投影梯度下降的对抗训练（PGD-AT），该方法在三个基准数据集的AA（AutoAttack）攻击下鲁棒精度分别提升1.92、1.50和3.35个百分点，且所提出方法在鲁棒性和自然准确率方面优于最先进的防御方法可学习攻击策略的对抗训练（LAS-AT）。此外，从数据增强角度看，该方法可以有效解决对抗训练这种特殊数据增强方式中增广效果随训练进展会不断下降的问题。

针对加密前预留空间（RRBE）嵌入算法需要进行一系列的预处理工作，以及加密后腾出空间（VRAE）嵌入算法嵌入空间较小的缺点，为了在提高嵌入率的同时缩减算法流程和减少工作量，提出一种基于多目标优化的加密图像可逆信息隐藏算法。该算法将RRBE与VRAE中两个具有代表性的算法在同一载体中结合使用，并以信息嵌入量、直接解密图像失真、提取错误率、计算复杂度等性能评价指标作为优化子目标，再利用功效系数法建立模型求解出两种算法应用比例的相对最优解。实验结果表明，所提算法不仅能够降低单独使用RRBE算法的计算复杂度，还能使图像处理用户够根据实际应用场景中不同的需求灵活地分配优化目标，同时也能获得较好的图像质量和令人满意的信息嵌入量。