1.一种基于注意力机制的对抗攻击防御模型的构建方法，包括以下步骤：构建对抗攻击防御网络，对抗攻击防御网络包括特征提取单元、重构通道图单元、重构空间图单元以及重构图融合单元，其中，特征提取单元用于对输入的对抗样本进行特征提取，输出特征图；重构通道重构图单元用于采用通道注意力机制对特征图进行特征重构，输出通道重构图；重构空间重构图单元用于采用空间注意力机制对通道重构图进行特征强化，输出空间重构图；重构图融合单元，用于将对抗样本和空间重构图进行叠加融合，输出重构图；

利用对判别器对重构图进行判别，输出判别结果；

根据判别结果对对抗攻击防御网络中的网络参数和阈值进行调优；

当调优终止后，提取对抗攻击防御网络和确定的网络参数和阈值组成对抗攻击防御模型。

2.如权利要求1所述的基于注意力机制的对抗攻击防御模型的构建方法，其特征在于，选取卷积神经网络作为特征提取单元，以提取对抗样本的特征，输出尺寸小于对抗样本尺寸的特征图。

3.如权利要求1所述的基于注意力机制的对抗攻击防御模型的构建方法，其特征在于，在重构通道重构图单元中，采用双线性插值方法对特征图进行上采样，将特征图重构为与对抗样本相同维度的空间，即将特征图放大到与对抗样本相同的尺寸，将上采样得到的特征图记为Ifm；

将特征图矩阵和对抗样本矩阵分别做转置处理，原矩阵为[W,H,C]，转置后为[C,W,H]，W、H、C分别代表图像的长、宽、通道数，获得特征向量Vf和对抗样本向量Vadv；

利用公式(1)计算特征向量Vf和对抗样本向量Vadv之间的相似度距离α：其中，tanh(·)为双曲正切函数；

利用公式(2)对相似度距离α进行归一化处理，得到通道注意力重构权重矩阵Wc：其中，Wc为对相似度距离α进行归一化处理结果，该归一化处理结果作为通道注意力重构权重矩阵，min(α)为相似度矩阵α中最大值，同理max(α)为似度矩阵α中最大值；

以通道注意力重构权重为卷积滤波器，对特征图进行卷积操作，生成与对抗样本尺寸相同的通道重构图。

4.如权利要求1所述的基于注意力机制的对抗攻击防御模型的构建方法，其特征在于，在重构空间重构图单元中，利用公式(3)计算通道图向量Vr与对抗样本Iadv之间的二次相似距离矩阵β：β＝ave(Iadv*Vr)  (3)

其中，ave(·)表示取平均值函数，*代表矩阵对应元素相乘；

利用公式(4)对二次相似距离矩阵β进行归一化处理，得到空间注意力重构权重矩阵Ws：其中，Ws为对相似度距离β进行归一化处理结果，该归一化处理结果作为空间注意力重构权重矩阵，min(β)为二次相似度矩阵β中最大值，max(β)为二次相似度矩阵β中最小值；

设定一个阈值r，遍历空间注意力重构权重矩阵Ws中的每个像素点ai,j，若ai,j＜阈值γ，则将像素点ai,j的值置为0，反之则不做改动，这样即获得了空间重构图Imap。

5.如权利要求1所述的基于注意力机制的对抗攻击防御模型的构建方法，其特征在于，在重构图融合单元，利用公式(5)对样本和空间重构图进行叠加融合，输出重构图Iout：Iout＝Iadv×Imap  (5)

其中，Iadv为对抗样本，Imap为空间重构图。

6.如权利要求1所述的基于注意力机制的对抗攻击防御模型的构建方法，其特征在于，判别器为全连接层、softmax分类器。

7.一种如权利要求1～6所述的基于注意力机制的对抗攻击防御模型的构建方法构建得到的对抗攻击防御模型。

8.一种如权利要求7所述的对抗攻击防御模型在恶性图片识别中的应用，其特征在于，应用时，将恶性图片的对抗样本输入至对抗攻击防御模型中，经计算输出识别结果。