目前在企业和行业的各种场景中流行使用面部生物识别技术验证用户身份。与其他生物识别技术相比,人脸面部图像获取代价较低,存在多种成本低廉的攻击方式,因而人脸识别系统存在着巨大的安全隐患。人脸反欺诈（Face Anti-Spoofing,FAS）在防止人脸识别系统遭受欺诈攻击方面举足轻重。得益于深度神经网络强大的特征提取能力,基于深度学习的人脸反欺诈算法取得比基于传统手工特征算法更好的性能,成为近期的研究热点。尽管大多数基于深度学习的FAS算法能在库内达到很好的检测效果,但是跨库检测性能欠佳,主要原因是库内和库外数据往往在不同条件下采集,例如拍摄设备、环境光照和攻击呈现设备不同,导致库内和库外数据的分布不同,两者之间存在域位移。当训练数据的多样性不足时,容易在库内学习过程中过拟合,泛化性能不好。尽管我们可以判断起因,然而在真实世界的应用过程中解决上述问题并不容易。一方面,不同应用场景使得同一因素产生不同的影响,例如,不同场景的光照导致域位移,影响了分类模型对本质性欺诈纹理的提取;另一方面,由于难以收集所有场景下的有标签假体训练样本,目前人脸反欺诈公开数据集场景较少,多样性不足,一定程度限制了模型的应用。为此,本文对算法泛化性和数据多样性这两个方面开展研究:1、提出一种基于伪标签和光照不敏感特征的人脸反欺诈算法。第一,基于“教师生成伪标签指导学生”半监督学习框架,设计RGB图像局部特征分支,挖掘局部图像的高区分度特征,解决有标签样本不足的问题;第二,基于局部重力模式（Pattern of Local Gravitational Force,PLGF）,设计带有注意力模块的光照不敏感特征分支,抑制应用场景中最容易影响特征提取的光照因素;第三,将RGB图像局部特征分支与光照不敏感特征分支相结合作综合判决,以提高算法的跨库检测能力。在三个公开的测试数据集（包括CASIA-MFSD、Replay-Attack和MSU-MFSD）上,当有标签样本数量中等时,所提出方法在库内测试保持较低半总错误率（Half Total Error Rate,HTER）的同时,能显著降低跨库测试的HTER。2、提出一种基于元伪标签和双解耦生成的人脸反欺诈算法。针对第一个算法的RGB分支中教师生成伪标签的置信度偏差问题,将所述半监督学习框架与元学习的双层优化方式相结合,改进为学生利用教师生成伪标签在无标签数据上通过损失更新自身参数,然后通过在有标签数据上的评估反馈给教师,进而优化教师。其次,为了探讨细粒度的欺骗痕迹作用,将二元标签与像素级标签做了对比。为了丰富训练数据的多样性,基于变分自编码器,结合解耦学习思想,构建双解耦编码器得到生成样本扩充无标签数据集。相比于第一个算法与现有流行算法,在公开的测试数据集上,所提出方法在保持库内测试较低HTER的同时,在跨库测试下也有突出的表现,HTER得到进一步降低,此外在域泛化的实验基准上的评估指标与其他流行算法有可比性。