人工智能时代的到来,将生物特征识别技术推向了高潮,尤其以人脸识别技术为主的生物特征识别技术发展最猛,其因快捷、简单、高效等优点而深入人们的日常生活中。但是,人脸识别技术的发展有利也有弊,它在给予人们方便的同时也存在着一些隐患问题,由于人脸信息易被不法分子轻易获得,因此,如何提高人脸识别系统的安全性成了模式识别领域中的一个热点问题。在此大背景下,本文以卷积神经网络为技术支撑,重点探讨卷积神经网络在人脸活体检测课题中的应用研究,提出三种准确率高且实时性优的人脸活体检测算法。在人脸识别系统中,算法通过检测待认证用户的人脸,从而区分活体与非活体,进而保障用户的切身利益。通过查阅文献了解国内外科研人员们关于人脸活体检测的相关工作后,针对人脸活体检测算法中的部分不足,提出三种人脸活体检测算法,经实验研究表明,本文所提出的人脸活体检测算法可以高准确率、高帧率的检测出人脸活体属性,具有较好的泛化能力。针对人脸活体检测课题,本文所做的创新点和工作内容主要有三点:（1）互动式活体检测大多基于手工特征提取方法,该方法提取到的特征具有维度高、计算量大、数据杂等缺点,针对该缺点,设计并提出了一种基于VGGNet的互动式活体检测方法,该方法包含两个深度神经网络模型:头部姿态估计网络和表情识别网络。针对上述两个网络,分别做了细致的改进与调参,使其能够较好的完成头部姿态任务和表情识别任务,同时,自建头部姿态数据集和表情识别数据集,以增强网络的泛化能力。最终融合了头部姿态估计网络和表情识别网络,形成了一个互动式活体检测系统,经过实验测试,所完成的系统能够有效的防御非活体攻击,具有较好的鲁棒性。（2）针对互动式活体检测检测繁琐、人机友好性差等问题,提出了一种基于Le Net-5和近红外图像的静默活体检测方法。利用近红外光在不同材质上的反射特性,构建一个近红外活体检测数据集,同时,改进Le Net-5网络结构,提升Le Net-5的特征提取能力,在保证网络分类准确率的同时,减轻网络参数量。经过实验测试,所提出的方法准确率较高,能够很好的区分活体与非活体,相对于互动式活体检测方法,省去了繁琐的检测步骤,配合近红外摄像头,可实时完成静默活体检测。（3）近红外活体检测方法需要特殊设备,成本高,不利于场景的实施安装,故提出一种基于Goog Le Net和多色彩空间融合的活体检测算法,在可见光活体图片中,RGB色彩特征区分度不明显,信息少,使用卷积神经网络去进行分类,效果略差,而活体图片在HSV、YCr Cb等色彩空间区分度较大,特征也有所区别,基于该关键信息,采取融合RGB、HSV和YCr Cb色彩空间的方法,使得活体图像的特征表达变得更明显,有助于提升活体检测效果,并设计微调了一种浅层的Goog Le Net网络,对活体图片进行有效的特征提取,经过实验测试,所提出的融合方法在公开数据集上具有明显的优势,所提出的网络也具有较高的实时性。