El aprendizaje automático se está aplicando a sistemas de distribución cuántica de claves de variable continua (CVQKD) como contramedidas de defensa para la clasificación de ataques. Sin embargo, estudios recientes han demostrado que la mayoría de estas redes de detección no son inmunes a los ataques adversariales. En este documento, proponemos implementar estrategias típicas de ataques adversariales contra el sistema CVQKD e introducir un esquema de defensa generalizado. Los ataques adversariales generan puntos de datos ubicados cerca de los límites de decisión que se linealizan en base a iteraciones del clasificador para llevar a una clasificación errónea. Utilizando el ataque DeepFool como ejemplo, lo probamos en cuatro redes de detección CVQKD diferentes y demostramos que un ataque adversarial puede engañar a la mayoría de las redes de detección CVQKD. Para resolver este problema, proponemos una eliminación mejorada de perturbaciones adversariales con un esquema de red adversarial generativa (APE-GAN) para generar muestras con una distribución similar a las muestras originales para defenderse contra ataques adversariales. Los resultados muestran que el esquema propuesto puede defender eficazmente contra ataques adversariales, incluido DeepFool y otros ataques adversariales, y mejorar significativamente la seguridad de los sistemas de comunicación.