在过去的几十年中，系统验证主要使用人脸识别系统，而且越来越广泛。人脸识别系统的可靠性正在逐渐增强。针对人脸识别系统脆弱性的研究仍是一个开放的领域，使用脸部欺骗来攻击人脸识别系统是这个领域未解决的重要问题之一。　　本文围绕抗人脸假冒欺骗攻击方法开展相关研究工作，其主要工作内容及成果如下:　　本文提出一种新颖的方法来保护人脸识别系统来对抗人脸欺骗攻击。之前提出的大多数基于卷积神经网络(CNN)或者人工特征的方法有一定的局限性。基于人工特征的方法有一些进展，但是仍然无法实现高的精度，因为这些方法严重依赖特征提取的选择和设计。同样，卷积神经网络不能学习到时间信息。因为大多数人脸欺骗攻击通过视频来实施，所以时间和空间上信息对识别欺骗攻击很重要。时间和空间特征结合起来学习有利于找到有效的区分特征，来判断是真实或者欺骗的身份。　　本文所提出的方法，通过提取时空信息来区分合法的访问和伪装的视频或者图片序列。为了学习视频的时间和空间特征，本文结合了人工特征和卷积神经网络两种方法。通过有监督的CNN方法来学习空间信息，然后利用局部二值模式(LBP-TOP)来提取时间信息。　　本文将LBP-TOP和CNN级联，同时提取时间和空间信息并融合成一种特征。为了验证本文方法的有效性，在多样化的人脸欺骗攻击数据集进行了大量的实验。并使用非线性RBF核函数的支持向量机(SVM)进行分类，并取得了较好的效果。