深度学习中的对抗攻击与防御是一个活跃的研究领域。本文分类了防御方法，并探讨了提高对抗鲁棒性的策略，包括增强特征向量的类内紧凑性和类间分隔性。提出了多类别增强框架和对抗训练方法，以提升模型的鲁棒性，并解决鲁棒性与准确性之间的权衡问题。研究表明，新方法在多个数据集上实现了显著提升。