1.一种基于量子模糊卷积神经网络的对抗样本检测方法，其特征在于，所述基于量子模糊卷积神经网络的对抗样本检测方法，包括：步骤S1、数据集的获取和预处理；

步骤S2、训练需要保护的量子分类器模型；

步骤S3、对抗样本训练集生成；

步骤S4、构建用于训练量子模糊卷积神经网络的对抗样本检测训练集；

步骤S5、搭建量子模糊卷积神经网络模型；

步骤S6、基于步骤S2中量子分类器模型进行量子模糊卷积神经网络训练，得到量子模糊卷积神经网络对抗样本检测模型；

步骤S7、对抗样本测试集生成，构建用于测试量子模糊卷积神经网络的对抗样本检测测试集；

步骤S8、基于步骤S7进行量子模糊卷积神经网络对抗样本检测模型性能测试；

所述步骤S5中量子模糊卷积神经网络模型包括：

输入层、模糊网络层、量子卷积神经网络、融合层和预测器，所述量子卷积神经网络由三部分构成：数据编码，变分量子线路以及测量操作；在经过数据编码后的量子数据会经过变分量子线路进行一系列的酉变换操作，变分量子线路中的量子线路通常由两个比特的量子电路块组成，这些给定的量子电路块构成量子卷积线路和量子池化线路，对线路中的所有量子比特进行测量操作获得量子线路中的数据；

具体过程为：

（1.1）将数据传进输入层，输入层将输入数据分别输入两个通道，一份传入模糊网络层，另一份传入量子卷积神经网络层；

（1.2）在数据经过模糊网络层和量子卷积神经网络层处理之后，融合层会将来自模糊网络计算输出数据中的隶属度和量子卷积神经网络层输出的数据融合，合并后的数据将作为所述预测器输入；

（1.3）所述预测器输出预测结果，输出为0则表明预测样本为正常样本，输出为1表明输入为对抗样本；

对于输入量子卷积神经网络的数据，需要将输入的经典数据编码为量子态；

将经典数据编码为量子态后，数据会通过变分量子线路进行一系列的酉变换；

所述量子卷积神经网络层的电路结构，包括量子卷积层和量子池化层，当线路中剩余的量子比特较少时，采用量子全连接层对线路进行测量获得线路中的量子态信息；

所述量子卷积层和所述池化层分别实现对输入数据的特征提取和降维；

所述模糊网络层中，包含两个部分：模糊层和模糊规则层，所述输入数据与模糊网络层中的模糊层相连，模糊层为每个输入数据分配隶属度；

模糊规则层对模糊层中输出的隶属度应用AND模糊逻辑，

对于融合层，融合层的目的是将两者的输出结果结合确保捕获数据中的复杂结构和高级特征以更好地检测出对抗样本；

所述预测器的电路结构，包含量子卷积层和量子池化层，线路最后通过测量量子态得到预测器中的量子线路的数据，最后利用全连接层接管量子比特的测量结果，最终得到结果。

2.如权利要求1所述基于量子模糊卷积神经网络的对抗样本检测方法，其特征在于，所述步骤S1的具体过程为：获取用于训练量子分类器的数据集，并对所选用的数据集进行预处理。

3.如权利要求1所述基于量子模糊卷积神经网络的对抗样本检测方法，其特征在于，所述步骤S3的具体过程为：选用所述数据集的一部分测试集中的正常样本分别通过不同攻击方法生成不同的对抗样本，具体为：对所选取的正常样本数据集每轮迭代输入的图像添加扰动；所述攻击方法包括快速梯度下降法、投影梯度下降法、动量迭代法以及深度欺骗。

4.如权利要求1所述基于量子模糊卷积神经网络的对抗样本检测方法，其特征在于，所述步骤S4的具体过程为：将所选取的正常样本数据集和所述对抗样本训练集混合作为所述对抗样本检测训练集，其中，将正常样本标签为0，对抗样本标签为1，最后将所述对抗样本检测训练集随机打乱。

5.如权利要求1所述基于量子模糊卷积神经网络的对抗样本检测方法，其特征在于，所述步骤S6的具体过程为：（2.1）进行模型参数初始化操作，量子模糊卷积神经网络中所有层之间的偏置设为0，量子线路中的参数、模糊网络中的和所有层之间权重根据均匀分布随机初始化，模糊网络中的设置为1；

（2.2）选取交叉熵作为损失函数，使用Adam优化算法优化模型中的参数使得代价函数最小化；

（2.3）设置模型训练参数，包括优化算法、训练批次大小、轮次迭代T、学习率；

（2.4）利用所述对抗样本检测数据集训练量子模糊卷积神经网络，按照选择的优化算法以及学习率更新模型中的参数，直到迭代T次后停止训练，生成量子模糊卷积神经网络对抗样本检测模型。

6.如权利要求1所述基于量子模糊卷积神经网络的对抗样本检测方法，其特征在于，所述步骤S8的具体过程为：基于步骤S7进行量子模糊卷积神经网络检测模型测试，计算模型正确分配所述对抗样本测试集标签的比例。

7.一种实施如权利要求1-6任意一项所述基于量子模糊卷积神经网络的对抗样本检测方法的基于量子模糊卷积神经网络的对抗样本检测系统，其特征在于，所述基于量子模糊卷积神经网络的对抗样本检测系统包括：预处理模块，用于获取用于训练量子分类器的数据集,并对所选用的数据集进行预处理；

训练模块，用于训练量子分类器模型；

量子模糊卷积神经网络模块，用于基于生成的对抗样本训练集和对抗样本检测训练集搭建量子模糊卷积神经网络，并基于量子分类器模型进行量子模糊卷积神经网络训练，得到量子模糊卷积神经网络对抗样本检测模型；

性能测试模块，用于基于生成的对抗样本测试集和对抗样本检测测试集进行量子模糊卷积神经网络对抗样本检测模型性能测试。

8.一种计算机设备，其特征在于，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-6任意一项所述基于量子模糊卷积神经网络的对抗样本检测方法的步骤。