人脸识别是通过人脸图像特征的提取与匹配完成身份识别与认证的过程,当前人脸识别技术已普及应用到各个领域,但在现实应用中会遇到各种人脸欺诈攻击,需要通过人脸反欺诈技术增强人脸识别系统的安全性。本文针对人脸识别的安全应用,提出了一个非交互式人脸反欺诈模型,提高了人脸反欺诈识别的准确率;同时为了提高人脸反欺诈的检测速度,又提出一个基于通道剪枝的模型压缩方法,减少了反欺诈模型的计算量,实现其在移动端的轻量级应用。本文主要研究工作如下:（1）针对以往的人脸反欺诈模型存在检测准确率较低的问题,提出了一种非交互式人脸反欺诈模型FAS-E。首先,通过MTCNN人脸检测模型获取人脸区域图像,根据得到的区域对原始图像进行裁剪,去除复杂的背景信息;真实的人脸具有复杂的三维结构,光线照射在不同区域时会产生不同的反射和阴影,虚假的人脸图像是一个平面,特征信息分布较均匀,和真实人脸图像相比有较大差异,所以本文通过深度学习模型FAS-E提取人脸区域图像的特征,进行训练并验证,最后实现了对真实人脸图像和虚假人脸图像的分类。（2）针对非交互式人脸反欺诈模型在移动端的轻量级应用问题,本文提出了一个基于通道剪枝的模型压缩方法,减少了反欺诈模型的参数和计算量。该方法通过对模型进行分析,根据剪枝灵敏度制定剪枝策略,在网络模型中减少大量的参数;在灵敏度剪枝策略中,对结果影响小的通道会被剪枝;通过裁剪这些通道,有效降低了本文提出的非交互式人脸反欺诈模型的计算量,实现了人脸反欺诈系统在移动端的轻量级应用。（3）基于本文所研究的非交互式人脸反欺诈模型和模型压缩方法,设计并实现了一个移动端人脸反欺诈系统。该系统通过图像采集和本地上传两种图像输入方式,对输入图像进行人脸反欺诈检测,可以在人脸识别的各应用场景中提供人脸反欺诈功能,提升人脸识别在各应用领域的安全性。综上所述,本文对非交互式人脸反欺诈方法进行研究,提出了一个非交互式人脸反欺诈模型FAS-E和一个基于通道剪枝的模型压缩方法。经实验表明,在NUAA数据集上,本文提出的非交互式人脸反欺诈方法在多项评价指标上均优于对比经典模型,并且实现了对人脸反欺诈模型的轻量化模型压缩,基于该研究设计的移动端人脸反欺诈系统为人脸识别的应用提供了较好的安全保障。