本发明公开了一种基于对抗性对比学习提升图像分类模型鲁棒性的方法。本发明首先构建用于进行对抗性对比学习任务的数据集以及TrCL网络模型；其次通过数据增强策略将原始的图像生成三张不同的增广图像；通过一个基于实例级别的攻击，将其中两张增广图像添加扰动生成对应的对抗样本；然后将生成的两张带对抗的增广图像和一张不带对抗的增广图像放入到网络模型进行训练；从而得到一个具有鲁棒特征的预训练模型；最后提取训练好的预训练模型编码器部分，连接一个全连接层进行分类任务训练，即形成鲁棒性的分类器。本发明能够同时兼顾模型的鲁棒精度和干净精度，在确保模型具有鲁棒性的同时也能够保证模型对干净样本的分类精度的影响较小。