随着人工智能技术的飞速发展,人脸识别在访问控制、智能交通、视频监控等领域发挥着重要的作用。不同方式的欺骗攻击、光照变化以及实际场景对系统的要求等因素使人脸识别仍然具有很大的挑战性,本文采用卷积神经网络与几何特征相结合的方法对人脸真实性检测部分开展研究,并通过不同模态下的人脸信息融合得到更能表征人脸的特征,使人脸识别系统能够较好的实现对人脸真实性的检测同时能够提升人脸识别的准确率,本课题的研究内容具有积极的意义。针对人脸活性检测,本文结合人脸深度图与彩色图提出了一种二阶活性判断方法。本文结合人脸关键点检测的结果开展基于人脸深度图的活性检测研究,通过构建空间平面模型判断是否来自平面方式的攻击。基于人脸彩色图构建一种轻量化的卷积神经网络二分类模型,实现对彩色图人脸真实性的判断。本文将一阶模型对平面攻击具有较好结果的优点与神经网络模型对彩色图判断的优势相结合,使人脸检测的结果分别经过两个阶段的检测实现对人脸真实性的准确判断,通过尝试对算法的进一步优化,使得二阶活性检测算法能够对不同场景下的攻击方式给出正确的判断结果。针对人脸特征提取算法,本文提出了基于改进Lightcnn算法的三维人脸特征提取模型。人脸识别算法需要在不同光照变化等因素下仍具有较好的的鲁棒性,二维人脸识别目前取得了较好的识别精度,但算法模型的鲁棒性还有待提高。本文首先提出了不同模态下的人脸特征相融合的网络模型算法,通过融合后的新特征表征人脸的特征,提升人脸识别的准确率,同时减小数据库存储的容量。其次本文结合不同模态之间的联系,通过在损失函数中加入不同模态间的相关性约束训练新的人脸特征提取模型,使得人脸识别模型在公开数据集以及实际场景中具有更好的识别效果。人脸识别系统因计算量较大在嵌入式端的部署相对较少,本文将提出的活性检测与三维人脸识别方法相结合,在NVIDIATX2嵌入式板卡上构建基于活性检测的三维人脸识别系统,并使用板卡自带的GPU模块进行模型的加速与优化。本课题使用深度相机构建实际应用场景中的数据集。本文提出的人脸活性检测算法在数据集上的准确率能够达到95%,人脸识别算法能够达到99.82%的准确率,整个系统消耗的时间在86ms左右。最后,对本课题所开展的研究工作进行总结,并展望了未来的研究方向。