当前是人工智能和大数据的时代，机器学习作为一种重要的智能信息处理技术，在实际应用中越来越重要，包括在垃圾邮件过滤系统中机器学习技术得到广泛的应用。然而在实际对抗性网络环境中，垃圾邮件分类器面临着垃圾邮件发送者永无休止恶意攻击的威胁，从而导致在实验环境中高效的机器学习算法，在实际应用时其性能可能变的很差。对抗分类（Adversarial Classification）的提出正是为了应对这种挑战，并成为当前机器学习领域的研究热点，具有重大的理论和实际应用价值。本书针对垃圾邮件过滤中的对抗分类问题展开了研究，包括对抗分类中的攻防博弈问题、垃圾邮件过滤的抗中文好词攻击问题以及基于Kolmogorov复杂性的垃圾邮件鲁棒性分类问题这三方面，提出了一些创新思路，希望对从事机器学习应用的研究人员有所启发。