近年来,随着人脸识别技术的不断发展,人脸识别系统在日常生活中的应用愈加广泛,人脸识别系统遭受人脸伪造攻击的风险也大大提升。为了提高人脸识别系统的安全性,本文针对人脸活体检测技术展开研究,主要研究工作如下:针对活体人脸和伪造人脸在采集过程中和再现过程中的差异性,提出了基于空域与频域多特征融合的人脸活体检测方法。该算法在图像空域提取人脸的色相矩特征和模糊度特征,在频域提取人脸的傅里叶谱能量特征和能量占比特征,再将空域和频域特征进行级联融合并做归一化处理作为描述人脸图像的全局特征向量,用于训练SVM分类器并区分活体人脸和伪造人脸。在两个公开的数据集NUAA和CASIA上的实验结果表明,该算法性能优于其它基于单一特征或单一域特征的人脸活体检测算法。针对现有的基于手工特征的人脸活体检测算法需要人工精心设计特征且特征泛用性不强,而基于常规深度学习的人脸活体检测算法缺乏足够训练样本的问题,提出了基于深度迁移学习的人脸活体检测算法。该算法首先修改了VGG-16卷积神经网络模型,使网络结构更适合人脸活体检测的目标任务,接着在深度网络训练过程中采用数据增强和迁移学习的方式,将训练集图像经过预处理后送入网络训练微调模型参数,最后使用训练好的模型对输入人脸图像进行预测从而实现人脸活体检测任务。在两个公开的数据集NUAA和CASIA上分别进行了实验,实验结果表明该算法能进一步有效提高人脸活体检测性能。