随着刷脸支付的提出和应用、人脸打卡的普及以及手机人脸解锁等功能的推广,人脸识别在人工智能时代已经占据重要的位置。但由于人脸识别时环境的复杂性和攻击技术的不断提高,人脸识别系统仍然面临着许多威胁。因此对人脸识别技术的深入研究也十分必要。基于动态特征和静态特征,提出了两种多特征融合算法,近邻LBP与光流融合和多通道线性LBP与光流融合算法,并用DBN进行学习和分类,实验表明这两种算法均具有较高的识别性能。主要研究内容如下:1、针对真实人脸和假冒人脸的二次采集的图像纹理差异和两者动态特征的差异,提出一种基于近邻模式的LBP算法和光流算法的融合算法。近邻LBP将传统的基于中心点对比修改为顺时针近邻比对,使用高斯金字塔模型将图像分层后提取特征,降低了特征的维度,提高了检测准确率。2、基于对图像的灰度处理丢失部分颜色信息的缺陷,提出一种多通道线性LBP和光流融合算法。对RGB图像进行三通道分解后进行排列组合,将三通道图像分解为八个不同通道,并对图像进行线性LBP特征提取,然后融合光流算法进行特征提取。3、为了避免基于SVM算法的浅层网络学习的局限性,研究了深度信念网络(DBN)和受限波尔曼兹机(RBM)。对上述多特征融合算法提取的特征作为输入向量,利用DBN网络进行训练和调优,应用于真实人脸和假冒人脸的分类。在CASIA、REPLAY-ATTACK和MSU三种数据集上进行测试,实验表明该算法具有良好的识别性能。