随着计算机视觉技术的不断发展,人脸识别技术成为了当今视觉领域的研究热点。为了防止不法分子恶意伪造或窃取他人的人脸特征攻击人脸识别系统,国内外众多研究者开始对人脸活体检测技术进行研究。人脸活体检测作为人脸识别系统中的重要保障,目前已广泛应用于金融、智能安防、教学考勤以及物业管理等众多领域。当前基于单模态的人脸活体检测技术已经日趋成熟,但是在实际应用中,由于复杂场景中环境多变,单模态的人脸活体检测系统存在鲁棒性差的问题。随着红外和深度相机的普及,并且红外图片可以测量面部辐射的热量,深度图片包含更加丰富的结构特征。因此本文围绕生物认证系统中的安全问题,提出了多模态下的人脸活体检测方法,分别从不同模态的人脸图像中进行特征提取,采用多模态特征融合算法和人脸注意力机制算法提取更加具有判别力的特征,本文的主要工作如下:1.提出了一种基于多模态特征融合的人脸活体检测算法。在特征融合阶段,通过融合不同卷积层输出的单模态人脸的差异性特征,增加攻击人脸和真实人脸之间的差异可分性,然后选择最优层数的神经网络进行不同模态人脸特征地融合,使用融合后更具有判别性的特征训练判别器,提高人脸活体检测算法的准确率。2.提出了一种基于注意力机制的人脸活体检测算法。设计一个端到端的人脸活体检测特征提取网络。通过采用两种注意力机制,结合人脸的全局特征和局部特征,为人脸活体检测提取更加具有判别力的特征。整个网络使用交叉熵损失和中心损失两种损失联合监督的方式进行训练。注意力机制的使用,减少了模型的过拟合,一定程度上提高了模型的准确率。最终,本文在OULU-NPU和CASIA-SURF数据集上针对本文所提出的两种算法进行实验。实验结果证明,本文所提出的算法具有较强的优势,并且可以有效解决多模态人脸活体检测的问题。