随着社会的高速发展,更加方便快捷的生物特征识别技术得到了广泛的使用。而人脸作为生物特征中非常关键又具有挑战性的一项,更是广大研究者的研究重点。近年来随着深度学习等新兴技术的出现,人脸识别技术进步飞速,在生活中也得到了越来越广泛的应用。人脸识别具有低成本,无接触,远距离等优势,但同时人脸识别的隐私性更差,而人脸活体检测技术正是保障人脸识别能落地使用的关键一环。本文针对现有人脸活体检测算法中存在的训练样本少,性能有限,泛化能力差等问题,引入辅助监督信息和注意力机制设计了多任务卷积神经网络,并使用迁移学习有效改善了算法的泛化能力。本文的主要工作如下:(1)本文针对人脸活体检测二分类训练中监督信息不足这一问题进行分析,考虑到真实人脸和伪造人脸在空间上的明显差异,引入人脸深度信息作为辅助监督信息。本文利用PRNet生成人脸三维形状然后在此基础上设计了人脸深度标签,基于残差网络ResNet-50设计了多任务的卷积神经网络,在活体非活体二分类的同时进行人脸深度标签回归。此外,本文还在特定任务分支中引入通道注意力机制进一步增强网络的性能。本文在CASIA-FASD,NUAA,REPLAY-ATTACK 三个公开的人脸活体检测数据集上进行了充分的实验对算法性能进行验证,实验结果表明本文的算法性能超过或达到本领域的最新方法。(2)本文针对人脸活体检测算法中存在的泛化能力差这一问题展开研究,通过提取不同数据集的特征进行可视化分析,发现了它们之间明显的域差异问题。之后本文提出使用基于PhotoWCT的图像风格转换算法对人脸活体检测的数据集进行领域自适应,以缩小两个数据集之间的域差异。在对数据集进行图像风格转换后,使用前期设计的多任务卷积神经网络进行实验验证。在数据集NUAA与CASIA,REPLAY上进行的库间实验结果表明,本文提出的解决方案能够将等错误率降低13%-18%,有效地改善人脸活体检测不同数据集之间的域差异问题。