随着以深度卷积神经网络为代表的深度学习技术的快速发展,智能视觉感知技术在过去的几年内已经为人类社会带来了巨大的经济和社会效益,成为了日常生活、科学研究和社会生产中不可缺少的有力工具。但是在深入地应用过程中暴露出了许多难以解决的问题,其中最重要的一个问题便是基于深度卷积神经网络的视觉模型的可信性问题。由于基于深度卷积神经网络的视觉模型开发设计所面向的场景和真实场景之间存在不可估计的偏差,例如光照变化、遮挡、扭曲等自然因素的影响,造成视觉模型在真实场景应用过程中无法输出可信的结果。而这些基于深度卷积神经网络的视觉模型“漏洞”很有可能被不法分子所利用,并最终造成不良社会影响。模拟上述自然影响作为攻击手段的攻击类型称为自然对抗,自然对抗与非自然对抗攻击（如:PGD和FGSM）不同的是自然对抗方式更加自然、符合人类视觉认知、并且不需要考虑对抗攻击的可迁移性问题,更重要的是其构造成本低廉,即只需要对物理世界中的采集设备（摄像头）或者被采集场景（对象）加以干涉和影响、在不访问设备所收集到的图像数据的前提下就可以达到攻击的目的。自然对抗现象在当今社会中变得越来越常见。因此,保证基于深度卷积神经网络的视觉模型在部署后更少地受到自然对抗的影响,是智能视觉感知模型落地过程中需要克服的重要问题。通过对常见自然对抗攻击类型、所攻击的潜在目标以及现有视觉表征方法的分析,总结了现有基于深度卷积神经网络视觉表征方法在视觉底-中-高三个层面的问题:1)底层视觉计算中缺乏对局部视觉基元空间排布的感知能力;2)中层视觉计算中缺乏对不同邻近视觉区域之间在空间上分组特性的感知能力;3)中层视觉计算中缺乏对视觉内容构型统计特性的感知能力;4)高层视觉计算中缺乏对视觉属性关联性的感知能力。本文针对上述问题开展了以下几方面工作:（1）针对底层视觉计算中缺乏对局部视觉基元空间排布的感知能力问题。本工作通过观察发现自然图像中的多种不同视觉基元之间通常存在着内在结构依赖性,并且依此提出了一种新的深层结构揭示网络,利用视觉基元之间的空间依赖性作为鲁棒的底层视觉表示。为了明确验证所提出方法抵御基于构造图像局部扭曲的自然对抗攻击的有效性,本工作利用多个包涵丰富的空间扭曲畸变的纹理数据集构造了上述自然对抗类型的实验并进行了验证。（2）针对中层视觉计算中缺乏对不同邻近视觉区域之间在空间上分组特性的感知能力的问题。本工作通过观察发现自然图像中不同邻近局部区域之间在空间上的通常存在着连贯性,并且依此提出了一种新的深度基元连贯性网络,利用前景和背景区域的视觉基元的空间组织作为鲁棒的视觉中层线索。为了明确验证所提出方法抵御基于构造低对比度环境的自然对抗攻击的有效性,利用专门面向图像低对比度的伪装目标检测数据集构造了上述自然对抗类型的实验并进行了验证。（3）针对中层视觉计算中缺乏对视觉内容构型统计特性的感知能力的问题。本工作探索了符合人类视觉认知理论的图-底分配机制对于抵御基于构造遮挡的自然对抗攻击的有效性。并提出了一个新的图底辅助模块来学习视觉场景的构型统计,利用其来减少复杂空间结构所带来的视觉歧义/模糊。此外,本工作还设计了一个基础且良好的视觉分离测试,以清晰的验证所提出方法的图底分配能力。进一步,为了明确验证所提出方法抵御基于构造遮挡的自然对抗攻击的有效性,利用多个包涵丰富视觉歧义性的真实数据集构造了上述自然对抗类型的实验并进行了验证。（4）针对高层视觉计算中缺乏对视觉属性关联性的感知能力的问题。本工作通过观察发现自然图像中存在的多视觉属性之间通常存在关联性,并且探索了该特性对于抵御基于构造多重视觉概念的自然对抗攻击的有效性。具体地,提出了一种新型的深度多属性感知网络,通过相互强化的方式逐步学习视觉属性及其之间的关联性。为了明确验证所提出方法抵御基于构造多重视觉概念的自然对抗攻击的有效性,利用多个包涵丰富的不完美标签的纹理数据集构造了上述自然对抗类型的实验并进行了验证。基于上述研究,本文研究了自然对抗条件下的鲁棒视觉表征方法,通过在多个构造的自然对抗测试上与先前工作进行比较,验证了所提出的自然对抗条件下的鲁棒视觉表征方法的有效性和优越性。本文工作为后续关于自然对抗条件下的视觉表征研究提供了新的视角与思路。