1.基于对比学习的深度学习模型蒸馏中毒防御方法，包括以下步骤：

1)数据集准备；选择MNIST，CIFAR10，ImageNet，GTSRB，CASIA的图像数据集；

2)中毒模型准备；

3)使用干净样本生成正例；

4)构建学生模型蒸馏损失函数和学习样本的损失函数；

具体包括：

4.1)使用以下损失函数作为样本之间的对比损失函数，并使用Com_loss作为模型的蒸馏：其中，m(x)表示样本x在模型m图层组末端经过转换模块后的输出；u，v分别代表两张样本；Sim(u，v，m)用来衡量在模型m内，u和v之间的相似程度；n表示正例数据集N中生成的正例数量；x0表示原始样本，正例数据集中的样本均是由原始样本x0生成；

4.2)构建学生模型学习样本的硬损失函数：其中，M是图像类别的数量；yic为符号函数，如果样本i的真实类别等于c，则取1，否则取

0；Pic表示样本i属于类别c的预测概率，N表示样本数量；

5)模型蒸馏。

2.如权利要求1所述的基于对比学习的深度学习模型蒸馏中毒防御方法，其特征在于：所述的图像数据集是图片大小为32*32的10分类的CIFAR10图像数据集。

3.如权利要求1所述的基于对比学习的深度学习模型蒸馏中毒防御方法，其特征在于：步骤2)具体包括：

2.1)选择中毒方法：选择BadNets，PoisonFrog，Trojannn，Feature Collision Attack的中毒攻击方法；

2.2)选择深度学习网络：选择LeNet，AlexNet，VGG11，ResNet34的网络；

2.3)模型中毒操作：在CIFAR10数据集上用BadNets中毒，训练的中毒模型在测试集上干净样本的准确率为98.37％，中毒样本的准确率为100％。

4.如权利要求3所述的基于对比学习的深度学习模型蒸馏中毒防御方法，其特征在于：步骤2.1)中的中毒方法选用Trojannn，步骤2.2)中的深度学习网络选用AlexNet网络。

5.如权利要求1所述的基于对比学习的深度学习模型蒸馏中毒防御方法，其特征在于：步骤3)具体包括：

3.1)构建数据增强操作集：为了取得更好的效果，使用以下操作，来作为数据增强的操作集；

随机裁剪：将样本随机裁剪为固定大小的图片；

添加随机噪声：在样本上，添加随机的噪声；

随机颜色失真：在样本的随机区域内做颜色失真操作；

随机缺失：在样本的随机区域上，将此区域内像素赋0值；

随机旋转：将样本随机旋转90度，180，270度；

3.2)根据样本生成正例样本数据集：用一张干净样本，使用3.1)中的数据增强，随机生成n张图片作为正例，并与干净样本共同组成正例数据集的集合N。

6.如权利要求1所述的基于对比学习的深度学习模型蒸馏中毒防御方法，其特征在于：步骤5)具体包括：

5.1)准备样本：在训练数据集中，从各类样本中，抽样取出设定比例的样本；将每个样本分别进行步骤3)生成各自的正例数据集；最后，将各个正例数据集，加入至集合N*中；

5.2)蒸馏：在集合N*中，随机取一定数量的正例数据集，对学生模型进行训练操作。

7.如权利要求6所述的基于对比学习的深度学习模型蒸馏中毒防御方法，其特征在于：步骤5.1)所述的设定比例是10％。