La clasificación de texto es ampliamente estudiada en el procesamiento del lenguaje natural (NLP). Los modelos de aprendizaje profundo, incluidos los grandes modelos pre-entrenados como BERT y DistilBERT, han logrado resultados impresionantes en tareas de clasificación de texto. Sin embargo, la robustez de estos modelos ante ataques adversarios sigue siendo un área de preocupación. Para abordar esta preocupación, proponemos tres métodos de aumento de datos para mejorar la robustez de dichos modelos pre-entrenados. Evaluamos nuestros métodos en cuatro conjuntos de datos de clasificación de texto mediante el ajuste fino de DistilBERT en los conjuntos de datos aumentados y exponiendo los modelos resultantes a ataques adversarios para evaluar su robustez. Además de mejorar la robustez, nuestros métodos propuestos pueden mejorar la precisión y la puntuación F1 en tres conjuntos de datos. También realizamos experimentos de comparación con dos métodos de aumento de datos existentes. Descubrimos que uno de nuestros métodos propuestos muestra una mejora similar en términos de rendimiento, pero todos demuestran una mejora de robustez superior.