随着计算机视觉和生物特征认证技术的高速发展,人脸认证技术因其具有唯一性,相对稳定性和可非接触式采集等优势,近年来已广泛应用于社会生活的各个方面。但在人脸认证技术推广的同时,为提高人脸检测的安全性,防止系统受到非活体人脸的欺骗和攻击,通过引入人脸活体检测算法提高系统安全性的方法逐渐受到相关研究者的关注。本文研究的人脸活体检测基于二分类问题,主要通过分析真实人脸图像和翻拍人脸图像间的差异进行判别。只有检测到真实人脸图像才能进行下一步工作,否则便将其视作为非法攻击。本文首先分析了真实人脸图像和翻拍人脸图像间的差异,然后采用Tensor Flow作为深度学习框架,将卷积神经网络应用在人脸活体检测中。本文主要研究内容如下:(1)对人脸抗欺骗样本数据库中的所有图像样本进行图像规范化和图像几何变换等预处理操作,使得经过预处理后的人脸图像更适合本文的人脸活体检测研究。(2)对当前人脸活体检测算法和卷积神经网络理论进行了深入且细致的研究,分析使用卷积神经网络在人脸活体检测中的优势。针对传统手工特征提取存在的缺陷,通过改进激活函数,引入批标准化层提出一种适用于本文研究问题的卷积神经网络。(3)在本文提出的卷积神经网络基础上,笔者又提出了一种异构卷积神经网络算法。通过改进卷积核结构和优化分类器,可以在保证准确率的情况下有效降低模型计算量,同时使得分类效果更加明显。(4)本文算法在NUAA和CASIA-FASD两大经典抗欺骗人脸活体检测数据库上进行了大量实验。通过横向对比分析了本文算法改进前后的实验数据,同时纵向对比了其他人脸活体检测算法,最后证明了提出的算法在减少模型计算量和改善分类效果上具有更好表现。