近年来,人脸识别技术已经广泛应用于各种特定的场所。然而,不法分子使用合法者人脸照片攻击人脸识别系统的例子屡见。为提高人脸识别系统的安全性,分辨真实活体人脸和欺诈攻击人脸成为人脸识别系统安全性上亟待解决的难题。从最初基于手工提取特征的传统方法到现在基于深度学习的方法,人脸活体检测方法已经有了较大的进步。然而,单帧图片欺诈攻击的种类越来越多,亟需一种数量和种类都比较全面的人脸活体检测数据集。此外,传统的神经网络虽然能自动提取图像的特征,但是针对人脸活体检测,需要提取更深层的特征信息。基于此,本文提出一种混合多通道特征提取残差网络,用于有效提取出真实活体人脸和欺诈攻击人脸特征完成人脸活体检测。然后,利用训练好的网络模型实现人脸活体检测,达到实时、无交互性的人脸活体快速检测。本课题的主要工作如下:（1）充分调研常见的人脸活体检测方法和研究现状。从人脸识别技术的安全性出发,开展人脸活体检测方法研究,通过对几种主要的人脸欺诈攻击的方式分析,梳理和总结人脸活体检测的基本原理,基于手工特征的传统方法,特别是基于深度学习的人脸活体检测方法的优点和存在的难点问题。（2）由于基于深度学习的人脸活体检测方法需要大量数据支撑,为此,本文通过对几种常见的人脸活体检测数据集的调研分析后,参与构建CW-FASD（Cloudwalk Face Anti-Spoofing）数据集的工作。该数据集在多场景下,使用不同采集设备拍摄上千名志愿者的人脸视频及图片。为丰富CW-FASD数据集,还开展后期数据增强等工作,最终完成百万数据量的人脸活体检测数据集。（3）提出基于混合多通道特征提取残差网络,用于单帧图片人脸活体检测。由于人脸欺诈攻击方式复杂多变,且多数欺诈攻击人脸制造工艺精良,也经过人脸检测、对齐等处理,与真实活体人脸几乎很难用肉眼分辨。当采用传统的卷积神经网络检测单帧图片人脸时,很难提取出真实活体人脸和欺诈攻击人脸间的差异特征。此外,传统的卷积神经网络为了提取更深层次的特征信息,往往会加深或加宽网络,这会导致网络退化,加大网络计算量。为此,本文设计一种混合多通道特征提取残差网络,该网络主要有:1个7×7的卷积层,8个混合多通道特征提取残差模块,1个全局平均池化及全连接。其中混合多通道特征提取残差模块有两种,是混合多通道特征提取残差网络的核心模块。全局平均池化用于全局性整合从卷积层输出的特征信息,并且接受多尺度的输入,所以,可以提高网络模型的鲁棒性。（4）设计并开展相关验证实验。主要验证混合多通道特征提取残差网络在单帧图片人脸活体检测上的有效性,对比残差网络的优越性。实验结果表明:设计的混合多通道特征提取残差网络,可以有效实现人脸活体检测,具有一定的实用性。