随着人脸识别技术的发展,基于人脸的身份认证系统被广泛应用在各个领域,虽然目前的人脸识别技术能够应对不同情况下的检测,但是依然难以区分摄像头前的人脸是真人的还是照片或者视频。因此,兼顾实用性和可靠性的人脸活体检测技术是人脸认证系统的广泛应用的基础,具有重要的研究价值。现有的算法虽然已经取得了不错的检测效果,但是仍然面临诸多难题,如现有方法易受光照的影响;传统的算法以人脸区域作为输入,损失了图像上下文信息等。针对上述的问题,本文结合光照一致化和上下文感知对人脸活体检测算法进行深入研究,具体的工作和创新点如下:为提高算法的光照鲁棒性,本文提出一种光照鲁棒的双通道融合人脸活体检测算法。该算法使用了一个双通道的卷积神经网络,分通道进行特征提取,为了最大化地利用光照一致化后图像的抵抗光照变化的特性和RGB图像丰富的纹理信息,提出了一种具有通用性的基于注意力模型的融合方法,将两种特征的各个位置加权融合,得到兼顾光照鲁棒性和纹理区分度的特征用于分类检测。实验证明,相较于现有的算法,本文提出的方法降低了算法的光照敏感性,同时提高了单库性能和泛化能力。针对现有算法需要以人脸区域作为输入,丢失了除人脸外的图像上下文信息的问题,本文提出一种基于多层池化特征融合与迭代照度估计的级联人脸活体检测算法。第一级检测器将人脸活体检测拓展成一个三分类问题,用于检测真实人脸、攻击人脸和背景,用多层池化特征融合来丰富特征的上下文信息,提高检测器性能。第二级检测器利用基于迭代照度估计的Retinex算法进行光照一致化,并将增强后的亮度通道与多色彩通道级联并提取LBP特征,得到具有光照不敏感特征的次级检测器,用于处理上级检测器的难例。本方法与其他算法相比兼顾端到端的检测特性和光照鲁棒性,具有更优检测性能。本文进一步探索人脸检测和人脸活体检测的任务相关性,提出了一种基于上下文感知的多任务人脸活体检测模型。为了提高小尺寸人脸的检测性能,丰富特征的上下文信息和扩大特征感受野,对模型中的检测层进行捷径特征金字塔融合和上下文聚合,使深层信息指导浅层信息进行检测。另外,使用半监督的策略获得头部和鼻子的上下文监督信息,利用鼻子区域的深度特性进行人脸活体检测,利用人头区域的大感受野,增加小尺寸人脸的特征尺寸,提高对应的检测性能。与现有方法相比,本算法在人脸检测任务的困难子集上mAP达到89.1%,在人脸活体检测任务的EER和HTER达到现有文献最佳的水平。