随着人类全面进入信息时代,人脸识别解决方案在各大领域得到了广泛的应用,同时其安全性的问题也受到了越来越多的关注。由于社交网络的普及,很容易获取到人的面部图像来攻击人脸识别系统。因此在过去几年中,人脸活体检测技术已经成为了人脸相关领域内最热门的研究方向之一,具有很强的实用价值。在这种背景下,本文的主要工作如下:针对人脸在二次采集过程中产生的纹理信息损失问题,本文提出一种融合手工设计特征和基于卷积神经网络提取的深度特征的方法,以往的人脸活体检测方法多用手工设计的特征,然而手工设计的特征提取方法是基于先验知识的,有一定的局限性,从而导致检测精度低,而卷积神经网络通过数据驱动的方式直接从输入图像观察中学习到的深度特征表征能力更强。为了克服手工特征的局限性本文提出将手工设计的MLTP特征和深度特征级联起来形成混合特征,混合特征包含更充分的纹理信息辨别能力更强,再通过PCA方法降维去除冗余信息,使用SVM分类器进行分类。本文提出的算法能充分利用MLTP特征和深度特征各自的优点,提高检测精度,增加算法鲁棒性。针对攻击人脸识别系统的伪造人脸攻击手段的层出不穷的情况,为了增加人脸活体检测算法的稳定性,本文提出一种融合静态纹理特征和运动特征的人脸活体检测算法,设计一种多输入的深度可分离卷积神经网络框架进行人脸活体检测,基于光流场的动态特征图用于提取人脸动态信息,RGB颜色空间、HSV颜色空间下的人脸图像用于提取人脸静态纹理信息,最后的分类结果由三个子网络加权组合得到。本文提出的算法在应对不同手段的攻击方法时,具有较好的鲁棒性,静态特征加动态特征这样多线索互补的决策融合的方法能充分利用各种特征的优势,取得更好的性能,更适合实际复杂场景。最后,本文分别在NUAA人脸数据库、REPLAY-ATTACK人脸数据库、CASIA人脸数据库和3D MAD人脸数据库中评估本文所提算法的有效性,与现有算法进行对比实验。