伴随着互联网的发展与数字化时代的到来,人们越来越追求高效便捷和智能新颖的生活方式。在这一大背景下,人脸识别作为一种可以自动检测生物特征并进行分类的技术就非常符合当今社会发展的需要。然而,人脸识别系统只能对受试者进行身份认证,不能对其真伪表象进行分辨和判定,这会出现一系列不容忽视的安全漏洞。因此,人脸活体防伪检测技术（Face Anti-Spofing Detection）应运而生。该技术作为人脸系统的前沿领域,保障着整个活体身份识别模块高效、可靠地运行,对国民的生命和财产安全具有重大意义。本文针对人脸活体检测这一热点课题,进行分析和研究。其中主要工作如下:首先,针对单目RGB活体检测误检率高、局限性大的问题,本文选用NIR（NearInfrared）+RGB双目摄像头,从多光谱的角度对问题进行分析和研究,提出基于RGB+NIR多特征融合的活体检测算法。实验结果表明,所提算法在自建数据集上的准确率高达94.37%,比其它主流的特征提取算法准确率提升5%以上。另外,本文遵循“理论与实践相结合”的原则,将所提算法函数封装成API接口,搭建出一套完整的双目摄像头实时活检平台。测试表明,该系统有着非常出色的分类效果。其次,在深度学习方面,本文基于FaceBagNet进行优化,提出一种轻量化端到端深度学习的人脸活体检测算法。首先,考虑到FaceBagNet模型较大的局限性,使用深度可分离卷积重新设计了分类网络,优化了模型大小;其次,在活体检测问题中创造性地引入中心损失函数,它与交叉熵损失函数相互作用,收紧类内距,扩大类间距,从而提高模型分类效果。实验结果表明,所提的两点改进可以有效地在不损失太大准确率的前提下大大压缩网络模型大小。最终使得改进网络在CASIA-SURF多模态数据集下的准确率达到99.78%,而整个模型大小仅为26.6MB（仅为原网络模型大小的七分之一）。本文主要在多光谱多模态的角度研究人脸活体检测,具有一定的前沿性和时效性。未来将进一步突出不同光谱在分类判定中所占有的权重,考虑不同的特征融合方案;以及联系实际场景需求,进一步优化和输出整套人脸应用系统。