本发明提供一种基于高斯白噪声的文本对抗攻击方法，属于自然语言处理技术领域，首先向模型输入自然语言文本，经词嵌入层、核心层、线性层后，得到前向训练损失，经反向传播获得梯度；接着在词嵌入向量的梯度上添加若干扰动项，生成对抗样本，继续进行前向计算损失值。经多次迭代训练后，模型可以学习到当前向量在极小变动范围内的最优解。扰动项促使模型参数更新向着损失增大的方向移动，达到攻击模型的目的。在此过程中，本发明通过增加高斯白噪声扰动项，使参数更新的力度在设定范围内具有一定的随机性，从而使得模型具有更高的容错性能，提高模型的准确率。