随着科技的不断发展,各种以生物特征为基础的身份鉴别技术已经逐步民用化、商业化,指纹解锁、虹膜打卡和人脸支付等新型身份认证技术已与人们的生活息息相关。人脸识别技术凭借其无接触、生物特征明显和容易获取等优势而成为当前主流的生物特征识别方法,带来了巨大的社会效益和经济效益,但是另一方面,人脸识别系统遭到攻击的案例也让其安全问题受到重视。在人脸识别系统中,攻击者可以通过伪造用户的面部信息进行攻击,比如通过打印人脸照片或播放人脸视频等手段伪造用户的面部信息,从而骗过人脸识别系统,因此将人脸活体检测模块引入到人脸识别系统中,对保证人脸识别系统的安全具有重要意义。但是,由于人脸欺诈手段具有多样性,以及真实人脸与欺诈人脸之间具有很强的相似性,传统手工提取特征的方法难以将两者直接区分开来。欺诈信息表征的质量将直接影响到后续分类的效果,因此如何有效的表征原始图像,提取合适的特征并加以合理利用,是人脸活体检测领域的一个关键问题。深度学习方法的出现以及在计算机视觉领域的广泛应用,展示了其良好的图像特征提取能力,使得基于深度学习的模型成为人脸活体检测领域中的研究热点。因此,本文将以深度学习为基础,对基于深度学习的人脸活体检测技术进行了进一步的研究,以达到提取有效特征、降低系统错误率的目的。本文针对打印攻击和视频重放攻击这两种欺诈方式展开课题的研究,深入分析了基于深度学习的人脸活体检测方法以及相关改进算法,分别从多维信息利用、样本扩充和模拟标签生成等几个方面展开了研究,在此基础上,提出了三种基于深度学习的人脸活体检测的改进方法,具体内容如下:（1）提出了一种结合混合池化的双流活体检测网络。该方法首先对数据集进行光流提取,用以表示数据集中的时间维度信息。其次,设计了空间金字塔和全局平均结合的混合池化模块,可以对特征信息进行多尺度的学习,并能够减少网络中的可学习参数,一定程度上缓解过拟合问题。最后,通过对时间维度的结果和空间维度的结果进行加权融合,达到充分利用时间和空间特征的效果,进而提高了对真实人脸和攻击人脸的识别效果。（2）提出了利用局部和深度信息的活体检测网络。首先,对数据集进行分块处理,提取数据集中的局部信息,同时该操作在一定程度上起到扩充数据集大小的效果。其次,为了引导网络学习到更加有效的特征,引入深度信息对网络进行辅助监督,并结合结构相似性损失来学习到更加真实的深度信息,该深度信息可以提取数据集中的全局信息。最终,通过对局部信息和全局信息进行加权融合,实现对局部信息和全局信息的充分利用,提高了对真实人脸和攻击人脸的识别效果。（3）提出了基于图像转换的活体检测网络。首先,通过三维人脸模型对数据集生成模拟的深度标签。其次,结合生成的深度标签,并利用生成对抗网络训练得到高质量的生成模型,将RGB图像转换到深度图像。最终,利用生成对抗网络的隐含层特征进行训练得到分类器,达到利用深度信息的目的。由于深度信息具有较强的区分性,因此模型在未知场景下的泛化能力也有所提高。上述的方法均在CASIA-FASD和Replay-Attack等公开数据集上进行了对比实验,通过比较不同的评价指标,验证了本文方法的有效性。实验结果表明,与经典方法相比本文的方法具有一定的竞争力。