人脸识别技术已经成为日常生活中应用最广泛的身份认证方式,但是人脸信息极易泄露,攻击者仅通过成本较低的打印攻击或视频重放攻击就有可能攻破人脸识别系统,相关事件也时有发生,给人脸识别系统的安全应用带来了极大的挑战。目前业界先进的人脸反欺诈算法借助深度学习技术实现了非常好的欺诈人脸检测效果,但是他们都只考虑如何提高欺诈人脸检测效果,为此他们提升了网络的大小,引入了RGB模态之外的信息和时序信息。这些方法不适合部署在目前广泛存在的通用RGB设备上,因为通用RGB设备的存储空间和计算能力有限,也没有配备采集其他模态信息的硬件。为了适合在通用RGB设备上部署,人脸反欺诈算法需要满足只使用单帧RGB图像、轻量级和高效三个要求。针对此问题,本文对基于单帧RGB图像的轻量级人脸反欺诈算法开展了研究。首先比较了Mobile Net V2和Shuffle Net V2这两个通用轻量级网络处理人脸反欺诈任务的效果,并选择了Mobile Net V2网络的倒残差瓶颈模块作为降低算法复杂度的技术手段。接着结合条件卷积技术扩充网络容量,提出了基于条件卷积的人脸反欺诈算法（Cond FAS）,并设计了全新的U形网络架构和等通道像素级二元监督方法。最后,从注意力机制出发,设计了全局空间自注意力机制,并嵌入我们的网络架构,得到基于全局空间自注意力机制的人脸反欺诈算法（Attention FAS）。本文提出的Cond FAS和Attention FAS两个算法都满足只使用单帧RGB图像和模型轻量这两个要求,并且在多个数据集内测试和跨数据集测试场景中实现了与业界先进方法相比有竞争力的检测效果。尤其是在最具挑战性的OULU-NPU数据集中,我们的Attention FAS算法在其协议2、协议3和协议4上实现的ACER分别为0.4%、2.7%、3.7%,为目前最好的欺诈人脸检测效果。同时我们开展了模型轻量与模型效果之间的平衡分析,分析结果表明,Attention FAS算法取得了目前最好的平衡,Cond FAS算法次之。