互联网的飞速发展使得生物识别技术在社会中有了广泛的应用,但与此同时有些人开始注意到自己的生物模板信息面临着安全以及隐私问题。研究员们提出很多生物模板信息的保护算法,但其一般需要牺牲可识别性来换取高安全性。深度学习技术的巨大突破为生物识别带来了丰富的可能性,但也导致了不法的研究者利用深度学习模型创作各种不存在的伪造人脸图像。这种违法行为严重污染了大量人脸数据集,对生物识别的识别准确率造成了严重的影响。而生物识别需要确保输入数据是真实人脸图像才能有较好的识别准确率。因此,将深度学习技术的优势与人脸模板保护以及伪造人脸检测相结合并是一项重要研究内容。本文围绕人脸模板保护和伪造人脸检测进行讨论,主要研究工作有以下几点:(1)为了在保证高安全性的同时尽可能提高可识别性,本文提出一种基于深层卷积神经网络和随机正交映射的人脸模板生成网络Binary Face,同时结合模糊承诺方案提出二阶段人脸模板保护方案。用户的注册人脸图像经过Binary Face后将得到可取消的二进制模板,之后将随机正交映射中生成的密钥输入模糊承诺方案,生成加密的人脸模板并存储到数据库中。在验证阶段通过相同的流程恢复出密钥,并与原始密钥进行比对得到最终的匹配分数。在特征转换方面,为了方便移动端部署,对Binary Face进行了轻量化设计。同时将传统三阶段方法中的随机映射改为随机正交映射并融合到Binary Face网络中。在实现模型的端到端训练的同时极大地提高了运行效率;在生物加密方面,传统的人脸模板保护方案在实现加密时没有考虑到二进制模板的量化损失对可识别性造成的影响。本文设计了二进制损失(Binary Loss)来尽可能减小转换实值模板带来的量化损失。二阶段人脸模板保护方案在3个数据集CMU-PIE、FEI、Color FERET进行了评测。其相比之前的工作在GAR上有约6.5%的提升,同时将EER降低了约4倍。(2)为了解决用户人脸数据集的真实性问题,本文基于Xception Net和深度可分离瓶颈结构设计了轻量化的伪造人脸检测网络。为了确保数据集的多样性,一方面采取了四种经典的伪造人脸生成模型来创建数据库,另一方面设置了三种不同的视频格式(原始视频,高质量视频,低质量视频)来提高伪造人脸检测模型的泛化能力。本文将改良后的Xception Net模型与其余五种经典模型进行了对比,所有模型都在五种数据集上重新进行了训练。改良后的Xception Net模型在比其余模型运行效率更高地同时提升了准确率。