近年来,人脸识别技术日益普及,在国家安全和社会管理方面发挥着越来越重要的作用。但是,人脸暴露在外界中,容易被别人获取,特别是有些别有用心的人会以照片等形式来攻击人脸识别系统。为了提高人脸识别系统的安全性,学者们提出了人脸活体检测技术。人脸活体检测通过判断人脸是真实的人脸还是伪造的人脸来防止人脸识别系统被不合法用户侵入,避免被攻击者欺骗而造成不必要的损失,是一种重要的安全防范技术。在深度学习技术的推动下,当前主流的人脸活体检测算法已经在多个公开数据库上取得了不俗的表现,但是现有的人脸活体检测算法由于不同数据库存在光照条件、背景等方面的差异,在跨库测试时泛化性能较差。针对这个问题,本文基于卷积神经网络进行研究,具有一定的理论意义和实用价值。具体的研究工作如下:1、提出了一种提取颜色通道差值图特征的卷积神经网络,用于人脸活体检测。本文首先通过构建颜色通道差值图来降低非欺骗信息的影响,凸显欺骗噪声,这些欺骗噪声信息能够更好地反映真实样本与攻击样本的差异,同时设计了一个注意力网络,通过引入注意力机制优化卷积神经网络对分类特征的学习,保证了模型对攻击样本中人脸欺骗信息的提取能力,提升泛化性能。实验结果显示在三个公开数据库间跨库测试的半总错误率在34.5%-36.2%之间,模型能够稳定有效地提升泛化能力。2、提出了一种提取RGB图像和Gamma变换图像融合特征的双流卷积神经网络,用于人脸活体检测。RGB图像包含丰富的细节纹理信息,Gamma变换图像对光照变化更加鲁棒。为结合两种图像的优势,提出了一个轻量级的双流卷积神经网络来进行人脸活体检测,其中的分支网络分别提取RGB图像和Gamma变换图像的特征,然后通过特征融合的方式来获取更为鲁棒的分类信息。实验结果显示在三个公开数据库间跨库测试的半总错误率在24.9%-37.1%之间,表明该算法具有较好的泛化性能,并且模型参数量较少。