本发明属于神经网络模型构建技术领域，公开了一种深度网络对抗鲁棒性提升模型、构建方法、设备、介质，通过借鉴人脸识别任务中训练、测试阶段受不同目标函数监督的思想，将整个训练过程划分为特征提取和分类决策两阶段进行；训练一个能生成使同类样本响应更接近、不同类样本响应更远离的嵌入空间的特征提取器，并在所得的嵌入空间上训练一个对抗鲁棒性更强的分类面，进而实现对样本的分类。在不同网络框架、不同数据集、不同强度的对抗攻击下，相较于正常训练的网络，本发明的方法显著提高了测试集上的对抗准确率；相较于对抗训练，能够极大程度的保留模型在干净测试数据集上的准确率；同时相较于对抗训练，能极大程度的减少计算时间成本。