在这个被数字化、信息化包裹的时代,无孔不入的信息采集设备使任何人都难以独善其身,信息安全也逐渐成为社会关注的焦点问题。轻量级分组密码能够提供底层网络传输设备的安全需求,吸引了众多研究者的目光。深度学习在人工智能领域披荆斩棘,对数据进行一系列抽象、提取、总结后自动获取数据背后的信息,通常适合数据量庞杂、带有噪声且缺乏统一理论的领域。与此对应,在密码体制的设计与分析中存在着大量复杂的搜索和最优化策略问题,这就为深度学习在密码学领域中提供了广阔的应用空间。本文围绕由美国国家安全局在2013年发布的一款轻量级分组密码SIMON算法,并通过深度学习对SIMON32/64的安全性进行研究。在系统阐述SIMON算法的轮函数特点以及深度学习相关理论的基础上,构建神经网络区分器,并从网络结构、数据集等多方面对其做出改进。本文主要的研究成果如下:（1）分别采用前馈神经网络和卷积神经网络模拟多差分密码分析当中的单输入差分-多输出差分情形,设计了应用于SIMON32/64的6～9轮神经网络区分器,并比较了两种神经网络结构在不同条件下的优劣。通过对前馈神经网络和卷积神经网络的7轮神经网络区分器向前向后各扩展一轮,提出了针对9轮SIMON32/64的候选密钥筛选方法。实验结果证实采用128个选择明文对,可以成功地将65535个候选密钥筛选在675个以内。这说明基于深度学习的差分区分器相比传统差分区分器需要更少的时间复杂度和数据复杂度。（2）针对深度学习构建的神经网络区分器随着迭代轮数增加准确率递减的问题,研究输入差分数据集对神经网络区分器性能的影响。通过对SIMON轮函数的差分特性与输入差分在差分轨迹中的位置、差分概率以及汉明重量等因素进行讨论后发现,在相同的网络结构中输入差分数据集是影响神经网络区分器性能的关键因素。一个好的输入差分应具备高概率差分和低汉明重量的特点。根据这一指导原则,运用自动化搜索技术STA/SMT搜寻具有低汉明重量且高概率的输入差分,提出基于STA/SMT的神经网络区分器改进算法。该算法有效避免了输入差分的盲目选择,间接提升了神经网络区分器的准确率。