对抗样本常常被视为对深度学习模型鲁棒性的威胁，而现有对抗训练往往会降低分类网络的泛化精度，导致其对原始样本的分类效果降低。因此，提出了一个基于生成式自监督学习的对抗样本分类算法，通过自监督学习训练生成式模型获取图像数据潜在特征的能力，并基于该模型实现对抗样本的特征筛选，而后将其中有益分类的信息反馈给分类模型。最后进行联合学习，完成端到端的全局训练，进一步实现分类模型泛化精度的提升。在MNIST、CIFAR10和CIFAR100数据集上的实验结果显示，与标准训练相比，该算法将分类精度分别提高了0.06%、1.34%、0.89%，达到99.70%、84.34%、63.65%。结果证明，该算法克服了传统对抗训练降低模型泛化性能的固有缺点，并进一步提高了分类网络的精度。