人脸识别技术在移动支付、安防门禁、打卡签到等场景中的广泛应用,但是人脸识别普遍存在着易被攻击的缺陷,人们可以利用照片、视频、3D头模等手段去攻击人脸识别系统,因此防御这些攻击手段使人脸识别系统变得安全可靠是亟待解决的问题。随着双目传感器的发展,其能够为人脸活体检测带来丰富的特征,例如双目结构光传感器和双目立体视觉传感器能够提供3D立体的视觉信息等,多模态特征能够大幅度提升人脸活体检测方法的准确性,然而多模态特征需要更多的参数进行学习,这样不利于系统的实时性。目前,卷积神经网络为人脸活体检测的主要方式,而这种方式并非是安全的,其通常存在着一个肉眼不易发现的扰动,这个扰动足以使卷积神经网络做出错误的判断。为了使双目结构光传感器Intel Real Sense SR300达到实时人脸活体检测的效果,本文以轻量级网络Mobile Net V3为基础,搭建了利用深度特征和RGB特征的多模态特征融合的轻量级人脸活体检测网络,并在网络尾部采用流模块量化网络,同时解决模型对于权重区域的区分,为了丰富模型对特征的提取,本文对瓶颈层的下采样层添加旁路进行改进。最后在公开数据集CASIA-SURF以及本文所制作的CQNU-LN数据集以及搭建了演示系统并在演示系统上进行定性实验,结果表明算法具备良好性能。为了使双目立体视觉传感器Zed Mini达到实时人脸活体检测的效果,本文以轻量级网络Feather Net为基础设计了3种不同的融合方式的网络架构,同时,为了让模型在关注强度级语义的同时也关注梯度级语义,本文采用中心差分卷积对模型中的卷积运算进行替代,然后在本文所制作的CQNU-LN（ZED）数据集上及搭建的演示系统上测试,实验结果表明该模型满足轻量级的实时性标准,拥有较好的效果,最后针对课堂签到的应用场景,采用无数据的蒸馏方式蒸馏出轻量级的人脸活体检测网络,结合人脸识别算法,搭建了课堂签到APP。为了防御人脸活体检测模型中的对抗扰动信息,本文提出在神经网络的模块中加入降噪模块,起到过滤扰动信息的作用,使人脸活体检测模型变得更加鲁棒,并在FGSM和C＆W生成的扰动样本集进行测试,实验结果表明,该防御方法具备一定的防御能力。