本文针对深度联合源信道编码（Deep JSCC）系统中的安全漏洞，特别是输入补丁后门攻击问题，提出了一种基于掩码区域优化的净化方法（Mask-Region Optimized Purification, MROP）。Deep JSCC 通过端到端深度神经网络将源信息直接映射为信道符号并在接收端重建，然而该过程是黑盒操作，接收端无法轻易检测传输图像被恶意篡改，从而引入了新的安全风险。攻击者可以在输入图像上附加一个小的触发补丁，迫使解码器输出攻击者选择的特定目标图像，破坏系统的正常功能。现有的补丁触发防御大多针对分类任务，对于 Deep JSCC 这类重建任务的防御研究尚属空白。本文将梯度掩码防御方法改编为基线，并在此基础上提出 MROP。与依赖输入-输出梯度定位触发器的基线不同，MROP 在编码器输入端放置逐像素掩码，并通过 Gumbel-sigmoid 松弛方法优化该掩码以定位触发区域，随后对触发区域进行细化处理，从而实现纯净图像的重建。该方法在推理阶段运行，无需重新训练 JSCC 模型，具有较好的灵活性和实用性。实验结果显示，在 CIFAR-10 和 STL-10 数据集上，结合 DeepJSCC 与 SwinJSCC 模型，MROP 显著降低了攻击成功率（ASR），同时保持了纯净重建图像的峰值信噪比（PSNR），证明了该防御方法的有效性。