本文针对深度学习在单图像反射去除（SIRR）任务中对对抗攻击的鲁棒性问题展开研究。现有的基于深度学习的SIRR方法在输入图像遭受细微畸变或扰动时，性能显著下降。为全面评估模型的鲁棒性，我们首先针对SIRR任务设计了多种不同的对抗攻击策略，涵盖不同的攻击目标与作用区域。随后，提出一种具有鲁棒性的SIRR模型，该模型融合了跨尺度注意力模块、多尺度特征融合模块以及对抗图像判别器。通过引入多尺度机制，模型有效缩小了干净图像与对抗样本之间特征表示的差异；同时，图像判别器能够自适应地识别输入图像是否为干净或含噪图像，从而进一步提升模型的鲁棒性。在Nature、SIR²以及Real等多个数据集上的大量实验结果表明，所提模型在不同场景下均显著提升了SIRR任务的对抗鲁棒性。