近年来,人脸识别技术因使用方便在日常生活中被广泛应用,但是人脸信息易被他人获取制作成伪造人脸,非法用户使用伪造人脸攻击人脸识别系统,对用户信息安全造成了极大的隐患。当前已有的人脸活体检测算法随着攻击手段的不断变化,检测能力逐渐下降,人脸识别系统的安全性面临严峻挑战。针对照片攻击、视频重放攻击和面具攻击,本文将人脸运动特征与深度学习相结合,提出了高准确率的人脸活体检测算法,解决了当前人脸活体检测算法检测能力不足的问题。本文具体工作如下:（1）针对真假人脸面部运动的差异,提出了一种基于短时运动的人脸活体检测算法。该算法首先对人脸检测后的视频进行运动放大处理使视频中的运动更为显著。然后在RGB颜色空间中提取短时运动特征描述视频中的瞬时运动,生成运动特征图。最后使用VGG16网络进行真伪判别,对测试结果使用多次实验计算均值的方法得到最终的活体检测结果。在Replay-attack数据集上半错误率为1.5%,在CASIA FASD数据集上等错误率为3.0%,比已有算法分别下降0.75%和1.2%,在自建的面具攻击数据集上正确率为95.1%,证明了算法的有效性。（2）针对短时运动特征不能有效利用视频中时域特征的问题,提出了一种着重在时域提取特征的基于微小运动的人脸活体检测算法。首先对人脸检测后的视频进行运动放大处理以增强微小运动。然后使用运动强度和运动方向描述微小运动,生成两种运动特征图并进行融合。最后使用基于注意力机制的VGG16网络进行真伪判别。在Replay-attack数据集上半错误率为1.35%,在CASIA FASD数据集上等错误率为1.2%,在自建的面具攻击数据集上正确率为97.3%,与基于短时运动的人脸活体检测算法相比,在Replay-attack数据集上半错误率下降0.15%,在CASIA FASD数据集上等错误率下降1.8%,在自建面具攻击数据集上正确率提升2.2%,证明了微小运动特征对人脸防伪的有效性。本文针对真假人脸面部运动差异,提出了两种人脸活体检测算法,可以有效应对照片攻击、视频重放攻击和面具攻击,提升了人脸识别系统的安全性。