随着人脸识别认证系统的快速普及,防止合法用户人脸受到非活体的虚假人脸攻击极为重要,因而人脸活体检测技术的应用需求日益提升。人脸活体检测技术作为保障人脸识别认证系统安全性的重要环节,已广泛应用于智能安防,智能家居,医疗教育等重要领域。本文针对活体检测领域的照片和视频攻击方式的识别问题,通过增强图像的真伪判别性以及增强图像的时空特征相关性,从三个不同的角度对图片和视频攻击的人脸活体检测进行了算法研究,本文的主要创新工作总结如下:（1）针对活体检测任务中的照片攻击方式,结合局部二值模式（Local Binary Patterns,LBP）图像局部纹理特征算子、TV-L1光流近似法（Optical flow method）、光学应变特征图（Optical strain）和深度神经网络设计网络。提出了应用深度光学应变特征图的人脸活体检测算法（Deep Optical Strain Feature map for face anti-spoofing,DOSF）。其中TV-L1光流近似法可以提取相邻帧间的光流变化信息,而光学应变图则是用于提取光流图中的微小移动量。DOSF算法中的光学应变特征图融合了相邻帧之间的时序信息,相较于传统基于深度学习的活体检测方法,提升了在照片攻击鉴别场景下的活体检测性能。DOSF算法在两个公开数据集的照片攻击场景下获得99.79%和98.2%的识别率,算法在无需用户配合的情况下,有效地提升了活体检测的识别准确率。（2）针对DOSF算法中的光流与应变方法仅提取相邻两帧间的时序特征信息,而视频攻击方式,往往需要更长时的序列依赖关系才能精准辨别真假人脸,其在视频攻击场景下的识别效果并不理想的问题。本文进一步提出了时序性相关动态网络的人脸活体检测算法（Spatio-Temporal Correlation Dynamic Network model,STCD）。STCD将输入图像的连续多帧之间的特征变化考虑为一组离散信号,利用特征变化之间的相关性信息来表示图像时序特征,最后结合深度学习实现真假人脸的判别。实验结果表明,STCD算法可以实现照片类和视频类攻击方式的有效检测。（3）针对STCD中的相关性计算方法无法从数据中学习,且未充分利用空域信息的问题,进一步结合Transformer提出可端到端优化的融合时空信息的双流深度相关网络模型（Dual-Stream Deep Correlation Network model,DSDC）。DSDC采用自注意力机制计算特征间时序变化相关性特征,且使用Transformer强化空域特征表示,可以同时挖掘人脸数据的全局时域信息和局部空间信息,极大程度上减少了信息的丢失。通过实验验证了双流深度相关网络模型可以有效地检测出虚假的人脸图像,进一步提升了模型的泛化能力。