由于人脸识别与传统的密码、验证码和密保问题等方式相比更加方便快捷,目前人脸识别已经被广泛地应用在各种实际场景当中,比如手机解锁、刷脸支付和身份认证等,成为了我们日常生活中的一部分。这时一些不法分子就利用照片、视频、3D面具等方式去攻击人脸识别系统,对用户造成隐私和财产等方面的损失,使得人脸识别系统的安全性受到威胁。为了解决这一问题,可以在人脸识别系统中加入人脸活体检测模块,经过人脸活体检测判定为活体人脸之后才进行人脸识别。人脸活体检测的性能对于人脸识别系统的安全性有着重要的影响。本课题的主要研究内容是如何利用单帧RGB人脸图像进行活体检测,不需要具有深度摄像头等额外的设备,无须用户做一些交互式的动作（点头、眨眼等）从而提高用户体验。本文的工作主要分为真实多模态数据集构建、轻量化人脸活体检测模型、去除活体无关特征的人脸活体检测网络和基于辅助信息的人脸活体检测网络这四个部分。第一,为了在模型部署之前验证其在实际应用中的效果,利用Intel Real Sense D435摄像头拍摄了一个Depth和RGB两种模态图像的数据集,其中包含了六种攻击方式和20个被拍摄对象。第二,为了模型可以更好的部署在移动设备上,设计了一个轻量化人脸活体检测模型。在轻量化模型Feather Net的基础上加入了高通滤波器、多模态特征融合和OCCL损失函数等改进方法,在几乎不增加模型复杂度的同时准确度提高了5.474%。第三,为了防止模型提取活体无关特征进行分类导致过拟合,从提取活体相关特征和去除活体无关特征这两个角度设计了对应的网络结构。人脸图像中不同部分所包含的活体相关特征是类似的,利用分块人脸活体检测网络提取到更多的活体相关特征。利用自编码器学习活体人脸图像的内在模型,将自编码器的输入图像减去输出图像来去除活体无关特征。第四,为了证明辅助信息可以用来提高模型性能,利用两种辅助信息分别对网络进行了改进。第一种是利用图像质量评价中的光照、扭曲和模糊等特征辅助人脸活体检测模型进行分类;第二种是利用注意力权重辅助模型进行分类,设计了一种适用于人脸活体检测任务的注意力机制。