近几年来,随着科学技术的发展,生物特征识别技术成为广受关注的研究热点,其中基于人脸的生物识别技术因其特殊性被应用于各种场景中,但由于与人脸相关的视频和照片很容易被他人伪造或恶意盗取,人脸识别系统面临着一系列安全问题,人脸活体检测技术应运而生。人脸活体检测主要是用来判别获取的人脸面部是活体还是非活体,通过这种技术来增强系统的安全性。针对人脸活体检测存在易受外部环境影响、欺骗种类较多、检测模式单一等问题,本文对其进行深入研究,主要工作内容如下:（1）针对传统的人脸活体检测算法中人脸对齐不稳定、光照复杂、网络架构与特征设计复杂等问题,提出了将亮度均衡与卷积神经网络相结合的思想。该方法充分体现了卷积神经网络不需要手动设计特征的优点,以及亮度均衡算法在人脸不同亮度区域能够进行亮度补偿的这一特点,同时使用多网络级联的MTCNN实现脸部的对齐和精准定位。最终实验的准确率达到99.32%,在原来的基础上提高了7%,证明提出的方法能够对人脸活体和照片视频等非人脸活体进行有效的判别,且检测的准确率相较于传统的方法具有一定的优势。（2）针对卷积神经网络中输入模式单一、训练参数多、检测性能受限的问题,提出了多模态输入与mobilenet V2相结合的方法。该方法将HSV、深度图、红外图三种模式代替了单模式输入以提高特征的多样性,同时充分利用了mobilenet V2网络中倒残差块和挤压与激励模块的优势,减少了参数数量,提高了特征的有效性,最后在M-CNN网络中添加了全局平均池化防止过拟合。最终实验的平均分类错误率ACER达到了0.4%,降低幅度明显,证明了提出的基于M-CNN网络的人脸活体检测算法具有较好的性能。（3）利用tensorflow和Pytorch两种深度学习框架,在pycharm上开发了一个基于上面两种算法的人脸活体检测系统。该系统可以选择两种算法中的一种进行人脸活体检测,系统具有图像导入、模型选择以及人脸活体检测等功能。