随着科技的不断发展,信息化时代已经到来,人类对信息安全的需求不断提高。人脸信息由于具有唯一性、不变性、无需接触和容易获取等特点,已经被大量应用在安防、金融和网络安全等领域的个人身份认证。但是人脸信息极易被不法分子窃取,从而制作假冒人脸,攻击人脸识别系统,因此人脸活体检测技术在人脸识别系统中起到重要作用。本文基于深度学习方法,针对单模态方法以别率不高、鲁棒性不强的问题,基于中心差分卷积算法,提出一种改进的深度可分离中心差分卷积算法,利用了可以在各种光照环境下保持很好的鲁棒性且能更好提取细节信息的中心差分卷积算子,结合能有效降低参数量且保持算法性能不会下降的深度可分离结构,提取出低、中、高级特征,然后对多级特征进行多尺度通道注意力融合,提高对重要特征信息表示能力的同时抑制不重要的特征信息,最后,对得到的输出特征图进行像素级评估得到当前人脸为活体的概率。本文将此改进算法在CASlA-SURF-CeFA数据集的协议4上进行模型训练、验证和测试。实验结果表明,本文提出的改进算法参数量减小至3.1 × 105,相较于中心差分卷积算法,下降了 86.2%,并取得了6.10%的平均分类错误率,能够有效识别打印照片、视频回放攻击。本文基于Zynq MPSoc平台完成了改进的深度可分离中心差分卷积网络的硬件实现。首先对训练后得到的网络模型包含的权重偏置参数进行INT8量化,然后根据算法结构和特点进行了软硬件划分,并设计了 PS（Processing System,处理系统）、PL（Programmable Logic,可编程逻辑）联合实现的硬件架构,在PL部分设计了一个卷积加速器,用于实现深度可分离中心差分卷积,PS部分负责配置卷积加速器寄存器对其进行调 度、配置DMA寄存器实现特征图数据和权重偏置参数交互和多尺度通道特征注意力融合模块的运算。最后在Zynq MPSoc开发平台上进行联合仿真测试,在100MHz的系统时钟下完成整个算法推理仅需1.2s,且功率仅为3.91W。