人脸识别是计算机视觉中一个非常重要的领域,同时在社会生活领域得到广泛的应用,但存在被伪造人脸欺骗的安全性风险问题。人脸活体检测是近年来为了应对伪造人脸问题而提出的技术,对提升人脸识别系统安全性有重要意义。第一,本文研究的算法是以卷积神经网络为基础,为了更好地阐述本文所研究的内容,首先对卷积神经网络的基础知识和相关技术进行了集中介绍。第二,针对当前可见光下的人脸活体检测算法普遍存在泛化性不足的问题,本文研究了一种基于度量学习和多任务学习的人脸活体检测与识别算法。运用度量学习的思想,设计了用于提升人脸活体检测算法泛化性的随机样本对混淆损失函数(Stochastic Pairwise Confusion Loss),该度量损失函数是由样本对混淆损失函数(Pairwise Confusion Loss)的改进而来。同时,结合人脸识别任务,设计了一个人脸活体检测与人脸识别多任务卷积神经网络。利用随机样本对混淆损失函数和分类损失函数训练多任务卷积神经网络,得到的最终的算法模型,该算法模型可以处理人脸活体检测和人脸识别两种任务。实验表明随机样本对混淆损失函数能够有效地提升人脸活体检测算法的准确率和泛化性;多任务的训练方式能够提升人脸活体检测和人脸识别的性能;该算法在人脸活体检测和人脸识别上均表现出优秀的性能,尤其是人脸活体检测的泛化性得到了较大的提升。第三,为了减小人脸活体检测数据之间的领域差异,提升人脸活体检测算法的泛化性,本文研究了一种对人脸活体检测数据进行迁移学习的领域自适应算法。该算法利用了预训练过的卷积神经网络提取特征,以度量两张图像特征距离的方式设计内容损失函数和领域损失函数,训练一个前馈神经网络作为图像转换网络力图达到迁移样本至同一领域的目的。实验表明,该算法能够减小两个领域的人脸活体检测数据的特征差异,并且可以用于提升人脸活体检测算法的泛化性。