当前的人脸识别技术已能准确识别出访问者是否存在于底库中,但仍很难分辨访问者的真实性,即是本人直接访问还是他人冒充该个体的信息进行访问。人脸活体检测技术对于保障识别系统的安全性起到了重要作用,尽管目前基于深度学习的方法能提取图像中的语义特征,并利用人脸深度信息和时序信息作为辅助监督,但仍存在四点不足:第一,仅采用均方误差损失来约束人脸深度预测网络的训练,预测结果仍待提高。第二,聚焦于深层的语义特征,忽略了浅层的细粒度特征。第三,注意力机制对于解决人脸活体检测问题是有效的,但目前方法没有考虑活体检测任务的特性并忽略了尺度信息。第四,在建模时序网络时会引入额外的复杂度,不利于模型的部署。针对前三点不足,本文提出了一个基于深度引导注意力的双流人脸活体检测网络（Based on Depth-guided Attention Two-stream Network for Face Anti-spoofing,DANet）,它主要包含由深度预测网络分支（Depth Estimate Network,DENet）和多尺度特征提取网络分支（Multi-scale Feature Extraction Network,MSNet）组成的双流网络,以及深度引导的注意力模块（Depth-guided Attention Module,DAM）。DENet采用本文提出的深度对称损失函数来监督网络训练,以更准确地预测人脸深度信息。MSNet通过提取多尺度特征,解决了浅层特征被忽略的问题。DAM利用人脸深度信息引导注意力模块的学习,使网络聚焦于有用的尺度目标上。针对第四点不足,本文在DANet的基础上基于时序转移模块（Temporal Shift Module,TSM）进一步改进,提出了基于时序转移和深度引导注意力的双流人脸活体检测网络（Based on Temporal Shift and Depth-guided Attention Two-stream Network for Face Anti-spoofing,TSDANet）,其可以在不增加额外计算成本和模型参数量的情况下,有效提取多帧间的时序特征。本文在NUAA、CASIA-MFSD、Replay-Attack、OULU-NPU、SiW五个公开数据集上进行了实验,通过可视化和指标对比分析,验证了本文算法的有效性。