La Máquina de Vectores de Soporte Transductiva (TSVM) es un algoritmo efectivo de aprendizaje semi-supervisado vulnerable a ataques de muestras adversariales. Este documento propone un nuevo método de ataque adversarial llamado Ataque de Doble Perturbación en Múltiples Etapas (MSDPA), específicamente dirigido a TSVMs. El MSDPA tiene dos fases: las muestras adversariales iniciales son generadas por un ataque de rango arbitrario, y se realizan ataques más finos en características críticas para inducir a la TSVM a generar predicciones falsas. Para mejorar la defensa de la TSVM contra los MSDPAs, incorporamos el entrenamiento adversarial en la función de pérdida de la TSVM para minimizar la pérdida de muestras estándar y adversariales durante el proceso de entrenamiento. La función de pérdida mejorada de la TSVM considera el efecto de las muestras adversariales y mejora la robustez adversarial del modelo. Los resultados experimentales en varios conjuntos de datos estándar muestran que nuestro propuesto TSVM mejorado con defensa adversarial (adv-TSVM) tiene un mejor rendimiento en precisión de clasificación y robustez adversarial que el TSVM nativo y otros algoritmos de referencia semi-supervisados, como SVM. Este estudio proporciona una nueva solución para mejorar la capacidad de defensa de los métodos de kernel en un entorno adversarial.