1.一种面向语音识别的对抗样本攻击防御方法，其特征在于，包括：

步骤S1，获取原始样本，所述原始样本包括正常样本、对抗样本，为高采样率音频；

步骤S2，原始样本预处理，包括去噪处理和提取梅尔频率倒谱系数，分别得到待恢复样本和梅尔频率倒谱系数；

步骤S3，构建音频重构模型，所述音频重构模型采用基于扩张卷积的改进的Wavenet残差网络结构；

步骤S4，获取用于训练音频重构模型的正常样本，所述正常样本为高采样率音频；首先对正常样本进行下采样，然后通过双线性插值上采样方法转换其维度，与音频重构模型要求的输入维度一致，得到低采样率音频；将高采样率音频与低采样率音频组合成对，得到用于训练音频重构模型的数据集；将数据集分成训练集、验证集和测试集，采用均方误差（MSE）指标优化损失，进行音频重构模型训练，得到低采样率音频到高采样率音频的映射关系；

步骤S5，将待恢复样本和梅尔频率倒谱系数输入训练好的音频重构模型中，得到正常样本。

2.根据权利要求1所述的一种面向语音识别的对抗样本攻击防御方法，其特征在于，所述步骤S2，包括：步骤S21，所述去噪处理，首先对原始样本加入随机高斯白噪声，能够破坏掉部分恶意扰动；然后使用谱减法去噪，可以进一步消除掉恶意扰动；最后通过双线性插值上采样方法转换其维度，与音频重构模型要求的输入维度一致；

步骤S22，所述提取梅尔频率倒谱系数，通过对原始样本进行预加重、分帧、加窗、快速傅里叶变换、梅尔滤波器组、离散余弦变换等处理，得到梅尔频率倒谱系数。

3.根据权利要求1所述的一种面向语音识别的对抗样本攻击防御方法，其特征在于，所述步骤S3，包括：步骤S31，所述基于扩张卷积的改进的Wavenet残差网络结构，残差层共有30层，扩张卷积的卷积核大小为3*1，含128个卷积核，扩张卷积的步长从1到512重复三次，模型的最后两个卷积核大小为3*1，输出使用1*1的卷积核。

4.一种面向语音识别的对抗样本攻击防御系统，其特征在于，包括：

样本获取模块，用于获取原始样本，所述原始样本包括正常样本、对抗样本，为高采样率音频；

预处理模块，用于对原始样本进行预处理，包括去噪处理和提取梅尔频率倒谱系数，分别得到待恢复样本和梅尔频率倒谱系数；

样本恢复模块，构建音频重构模型，所述音频重构模型采用基于扩张卷积的改进的Wavenet残差网络结构；将待恢复样本和梅尔频率倒谱系数输入训练好的音频重构模型中，得到正常样本；

模型训练模块，获取用于训练音频重构模型的正常样本，所述正常样本为高采样率音频；首先对正常样本进行下采样，然后通过双线性插值上采样方法转换其维度，与音频重构模型要求的输入维度一致，得到低采样率音频；将高采样率音频与低采样率音频组合成对，得到用于训练音频重构模型的数据集；将数据集分成训练集、验证集和测试集，采用均方误差（MSE）指标优化损失，进行音频重构模型训练，得到低采样率音频到高采样率音频的映射关系。

5.根据权利要求4所述的一种面向语音识别的对抗样本攻击防御系统，其特征在于，所述预处理模块在去噪处理时，执行以下操作：首先对原始样本加入随机高斯白噪声，能够破坏掉部分恶意扰动；然后使用谱减法去噪，可以进一步消除掉恶意扰动；最后通过双线性插值上采样方法转换其维度，与音频重构模型要求的输入维度一致。

6.根据权利要求4所述的一种面向语音识别的对抗样本攻击防御系统，其特征在于，所述预处理模块在提取梅尔频率倒谱系数时，执行以下操作：通过对原始样本进行预加重、分帧、加窗、快速傅里叶变换、梅尔滤波器组、离散余弦变换等处理，得到梅尔频率倒谱系数。

7.根据权利要求4所述的一种面向语音识别的对抗样本攻击防御系统，其特征在于，所述样本恢复模块在构建音频重构模型时，执行以下操作：基于扩张卷积的改进的Wavenet残差网络结构，残差层共有30层，扩张卷积的卷积核大小为3*1，含128个卷积核，扩张卷积的步长从1到512重复三次，模型的最后两个卷积核大小为3*1，输出使用1*1的卷积核。

8.一种包括计算机可读指令的计算机可读存储介质，其特征在于，所述计算机可读指令在被执行时，使处理器执行权利要求1‑3任一所述方法中的步骤。

9.一种电子设备，其特征在于，包括：

存储器，存储程序指令；

处理器，与所述存储器相连接，执行存储器中的程序指令，实现权利要求1‑3任一所述方法。