随着计算机信息技术的发展,生物特征识别技术作为身份认证的方式受到了越来越多的关注。人脸识别因为其无接触和安全性,成为生物特征识别的最重要的技术之一,越来越多的专家和学者开始研究人脸识别技术,并取得了很多的研究成果。本文在研究深度学习技术基础上,提出了一种融合卷积神经网络F-CNN(Fused Convolutional Neural Network)模型。F-CNN 模型融合了 SN(Siamese Network)和 B-CNN(Binary Convolutional Neural Network)两种卷积神经网络,提高了神经网络的高级层层数,增强了深度CNN网络模型的特征表达能力。在国际通用人脸数据库Yale Face上进行了实验,实验结果证明,本文提出的融合卷积神经网络的方法识别能力优于SN网络和B-CNN网络,人脸识别的准确率达到了 98.14%。随着人脸识系统的商业化应用,以静态图片、视频和三维模具为代表的欺骗手段可以轻松骗过没有活体检测的人脸识别系统,对基于人脸识别的身份认证系统造成潜在安全威胁。为此,本文提出了一种基于指令控制的活体检测方法,基本原理是,静态图片在偏转的过程中,图片中人脸的左右脸面积比几乎不会发生改变,而活体人脸在偏转的过程中,人脸的左右脸面积比会发生很大的变化。通过对50个活体用户及其人脸打印图片进行实验,结果证明该方法对静态图片有很好的防伪检测效果,错误接受率FAR达到了 4%,错误拒绝率FRR达到了 0,综合准确率CAR达到了 98%,测试结果优于传统的傅里叶频谱分析方法和光流方法。