指纹识别作为一种典型的生物身份认证技术,已经在诸多领域得到了广泛的应用,但随着伪造指纹的材料和技术的不断革新,指纹活体检测技术也面临更加严峻的挑战,指纹识别系统的安全性以及个人隐私保护等问题引起了人们的广泛关注。传统的指纹活体检测算法主要依赖先验知识通过对指纹的浅层特征进行人工提取再分类,但所提取的特征数量偏少且特征类型单一,缺乏对信息的表征能力,导致传统的指纹活体检测算法泛化能力较差。而基于卷积神经网络的指纹活体检测方法能自动提取指纹抽象的深层特征,有效地解决传统方法繁琐且低效的问题。本文主要以深度卷积神经网络为基础构建指纹活体检测框架,深入研究了深层结构的卷积神经网络所面临的问题,包括在训练过程中出现的梯度弥散、训练样本不足导致的过拟合以及不同尺寸的输入样本对网络有效性的影响。为了解决上述问题,本文主要通过以下改进来提高指纹活体检测算法的性能:(1)针对卷积神经网络训练时出现的梯度弥散及过拟合问题,提出了一种基于卷积神经网络的指纹活体检测算法F-net。通过BN层、改进的卷积层inception和全局均值池化层对深层次的网络结构进行优化,减少了 F-net网络的参数和计算复杂度,使网络能获得较高的准确率,也能实时地对真假指纹图像进行分类。(2)针对裁剪或扭曲训练样本所带来的重要信息丢失问题,提出了一种基于多层级联的二尺度池化的卷积神经网络模型MCTP-net。利用二尺度池化获得图像特征中的不同尺度信息,使得网络对不同尺寸的输入图像都能得到相同维度的输出,突破了网络只能使用单一尺寸图像的局限性;利用捷径连接技术的多层级联结构进一步获得不同尺度、不同层次的图像特征,增强了对特征的重用,尽可能减少由于常规级联的池化操作造成图像信息的丢失,扩宽了图像特征表达的渠道。