近年来,人脸识别技术已经与人们的生活紧密相关,在移动支付、远程教育、无人安防、智慧医疗等领域发挥着重要作用。然而,人脸识别技术的普及也带来了新的安全隐患,不法分子可以盗取用户在日常生活中泄露的人脸信息来对人脸识别系统进行欺诈攻击,对个人和社会造成重大损失。人脸反欺诈是一项区分真实人脸和伪造人脸的技术,其通常作为人脸识别的前置任务来保证人脸识别系统的安全性和可靠性。在多年发展中,研究人员已经利用特征工程、分类算法和深度学习等技术提出了一系列人脸反欺诈算法并且取得了相应成果,但仍存在以下问题:（1）基于深度图的人脸反欺诈算法依赖深度相机或立体视觉算法来获取人脸深度信息,增加了算法的成本和计算复杂度;（2）监督式人脸反欺诈算法需要大规模的带标注数据集进行训练,增加了标注数据的成本;（3）人脸的多模信息（如纹理信息和深度信息）结构各异,难以进行有效融合。针对以上问题,本文进行了面向双摄像头图像数据的人脸反欺诈算法研究,内容包括:（1）基于双摄像头图像特征匹配的非监督式人脸反欺诈算法:该算法首先从人脸图像对中提取特征并进行特征匹配,得到每一对人脸图像中的成功匹配特征点数,然后利用非监督的聚类算法来确认真实人脸和欺诈攻击两类图像中成功匹配特征点数的数据中心,最后根据样本到中心的距离划分类别;（2）基于多任务学习和自适应特征融合的双摄人脸反欺诈算法:该算法通过多任务学习的方式分别得到人脸的图像风格特征和相似度特征,然后根据特征的重要性分配权重并进行特征融合,最终利用融合特征进行分类。本文创建了一个利用双摄像头采集的人脸反欺诈数据集Dual Cam来验证算法的有效性,该数据集包含真实人脸和两类人脸欺诈攻击的图像数据,并且设置了不同的相机摆位,光照强度和人脸表情来增加数据多样性。与现有的人脸反欺诈算法相比,本文提出的两种算法通过人脸图像对之间的相似程度而不是深度图来表达人脸的深度信息,避免了深度相机和复杂立体视觉算法的使用,有效降低了算法的成本和计算复杂度。此外,两种算法分别有效解决了现有人脸反欺诈算法对于大规模标注数据集的依赖性问题和多模人脸特征难以融合的问题。最终的实验结果表明,两种算法在有效降低成本的同时还具有良好的分类性能,在Dual Cam数据集上的半错误率分别为5.1%和2.4%,可根据不同的需求选择对应算法进行人脸反欺诈。