En este trabajo, proponemos ShallowDeepNet, una arquitectura de sistema novedosa que incluye una red neuronal superficial y una profunda. La red neuronal superficial tiene la tarea de preprocesar los datos y generar muestras adversarias. La red neuronal profunda tiene la tarea de entender los datos y la información, así como de detectar las muestras adversarias. La red neuronal profunda obtiene sus pesos a través del aprendizaje por transferencia, el entrenamiento adversario y el entrenamiento con ruido. El sistema se examina en los datos biométricos (huella digital e iris) y en los datos farmacéuticos (imagen de pastillas). Según los resultados de la simulación, el sistema es capaz de mejorar la precisión de detección de los datos biométricos del 1.31% al 80.65% cuando se utilizan datos adversarios y al 93.4% cuando se proporcionan datos adversarios y datos ruidosos a la red. El rendimiento del sistema en los datos de imágenes de pastillas aumenta del 34.55% al 96.03% y luego al 98.2%, respectivamente. Entrenar con diferentes tipos de ruido puede beneficiarnos en la detección de muestras de ataques adversarios desconocidos y no vistos. Mientras tanto, el entrenamiento del sistema con datos adversarios y datos ruidosos ocurre solo una vez. De hecho, volver a entrenar el sistema puede mejorar aún más el rendimiento. Además, entrenar el sistema en nuevos tipos de ataques y ruido puede ayudar a mejorar el rendimiento del sistema.