司法机关为了提升监督的有效性,很多场合依规要求社区矫正对象利用手机进行日常打卡和思想汇报,但实际工作中普遍存在的“人机分离”、“冒名打卡”等问题,亟需在现有设备条件下,以有限的成本将人脸识别引入系统来解决此问题。然而,面向手机用户单纯的人脸识别系统极易受到人脸打印照片、电子照片或视频等非活体攻击,需结合适合的人脸活体检测技术以提升人脸识别系统的安全性。相比其他人脸活体检测实现方法,静默活体检测因识别过程的便捷性和无需额外的专用辅助硬件而成为研究的热点。由于现有研究都将人脸活体检测当作一个二分类任务,忽略了不同非活体攻击方式之间的差异以及类别不均衡问题对模型学习的不利影响。对此,本文提出了一种基于多分类交叉熵损失监督网络模型学习的方案,用以克服二分类和样本类别不均衡问题,提高模型对非活体识别的精准度;同时,构建了一个双流特征融合网络,将人脸图像的梯度和色彩特征融入于识别模型中,以进一步提升模型的特征表示能力。具体研究内容包括:（1）将非活体人脸样本细分成打印攻击和展示攻击两种类别,并采取多分类交叉熵损失监督模型进行训练。一方面降低数据采集环境特征影响,促使模型更为关注类间差异和类内共性特征,另一方面可以均衡各类别样本数目差异,进一步提升模型的训练效果。实验表明采取多分类策略对模型性能有稳定的提升,能够有效降低分类错误率并提升泛化性能。（2）鉴于二次采集导致人脸图像的梯度和色彩特征差异,构建了一个双流特征融合网络模型实现人脸梯度和色彩特征对识别网络的进一步优化。首先,采取深度可分离卷积将图像梯度算子融入网络结构之中,构建出梯度卷积网络进行图像特征提取;接着,结合注意力机制思想采取两种不同特征融合策略对从RGB和HSV/YCr Cb色彩空间提取到的特征向量进行自适应加权融合,以进一步提升模型的特征表示能力。实验表明融合梯度和色彩信息的双流网络模型能够有效降低分类错误率并提升泛化能力。