在人脸识别领域,由于人脸数据易于获取的特点,使得人脸识别系统容易受到演示攻击,所以需要利用人脸活体检测技术对演示攻击进行防御。人脸活体检测技术通过检测并过滤伪造的攻击图像,达到抵御攻击的目的,从而避免人脸识别系统被攻破而造成的不必要的损失。本文首先从人脸活体检测数据集开展研究,针对现有数据集存在的一些问题,提出了一种多模态人脸活体检测数据集构建方案。然后在此基础上对基于深度学习的人脸活体检测算法进行了较为深入的研究,针对人脸活体检测算法的轻量化需求,提出了一种基于多尺度融合的轻量级人脸活体检测算法,针对现有方法没有充分利用多模态数据特性的问题,提出了一种基于多模态融合的人脸活体检测算法。本文的具体研究内容包括以下几个方面:1、构建了一个多模态人脸活体检测数据集。通过对现有公开数据集的研究和分析发现,这些数据集存在模态单一、分辨率低和采集质量不理想等问题,因此本文提出了一种多模态人脸活体检测数据集构建方案。提出的数据集包含了可见光、近红外和深度三种数据模态,并且每种模态图像的分辨率在现有数据集中都是最高的,在采集质量方面,通过一系列的设置和预处理手段使得采集的数据在人脸活体检测任务上具有较高的判别性。实验结果表明,各个模态的数据在人脸活体检测任务中具有一定的性能差异。2、提出了一种基于多尺度融合的轻量级人脸活体检测算法。人脸活体检测算法通常依附于人脸识别应用部署在嵌入式或者移动设备中,这就要求算法需要足够轻量化,现有算法对这个问题研究较少,因此本文提出了一种基于多尺度融合的轻量级人脸活体检测算法。该算法引入了多尺度融合和全局深度卷积以提升性能,使用Focal Loss以解决样本不均衡问题,使用微调后的Mobile Net V2作为主干网络以减少网络参数量和计算量。实验结果表明,本文提出的算法在保证较高检测性能的同时具有较小的参数量和计算量。3、提出了一种基于多模态融合的人脸活体检测算法。人脸活体检测任务中多模态数据具有一定的互补特性,融合之后能够充分发挥多模态数据的优势,而现有方法没有充分利用多模态数据的优势,因此本文提出了一种基于多模态融合的人脸活体检测算法。该方法利用近红外数据对数码设备的高防御力,提出了数码设备判别模块,根据多模态数据判别能力的差别,提出了一种多模态加权融合方式。实验结果表明,本文提出的算法能充分利用多模态数据的特性。