人脸识别作为最广泛的生物识别技术之一，被应用于在线支付、门禁、智能手机认证等访问控制系统中。一个实用的人脸识别系统不仅要求高的识别性能，而且要求具有检测欺骗攻击的能力。人脸活体检测是对人脸识别系统获取到的人脸图像的真实性进行鉴别和判定，是近几年才兴起的新研究领域。本文针对人脸活体检测展开研究，主要工作包括：
　　(1)针对可见光RGB图片的人脸活体检测技术，提出了结合局部信息和全局信息融合的LGNet算法框架，通过特征划分成多个局部特征块分别进行二元监督，同时针对全局特征使用像素级二值监督，最后将局部预测和全局预测结果进行融合。本文在多个数据集上测试了该方法，最终结果表明，该算法具有较强的鲁棒性和跨数据集能力。
　　(2)针对结构光图片的人脸活体检测方法是一种基于硬件的方法，本文以FM810结构光摄像头作为研究基础，首先，本文对原始深度图采用零值填充，空洞均值滤波，中值滤波，并归一化为灰度图等预处理方法。然后，为了提升算法的鲁棒性和减轻数据采集的人工成本，本文提出了一种生成负样本的算法。最后，通过设计一个人脸活体检测数据采集系统，采集了大量的数据，与生成的负样本一起训练了CaffeNet模型，并集成到人脸活体检测数据采集系统中进行测试，准确率达到了99.75%，且系统稳定。
　　(3)基于多模态图片的人脸活体检测方法，为了让模型在算力受限设备中快速运行，本文提出一种超轻量化网络结构(FeatherNets)，该结构采用的“流模块”弥补了全局平均池化的不足。FeatherNets仅采用单模态(深度图)训练时就能达到0.00168%(ACER)，虽然参数仅有0.35M，但性能远超采用多模态训练的CASIA-SURF基线。进一步地，本文采集了MMFD数据集以提供更多的攻击类型和多样性，并提出一种多模态的“融合”+“级联”方法，在CASIA-SURF的测试集中达到了0.0013%(ACER)，0.9814%(TPR@FPR=10e-4)的结果。最后，提出采用不同归一化方式来消除不同种族的风格差异，提升在CASIA-CeFA多模态数据集跨种族测试性能。