人脸检测在生产生活中使用越来越广泛,人脸检测安全性问题逐渐成为社会关注要点。人脸攻击导致经济损失事件频频发生,攻击方式主要包括打印照片攻击、屏幕成像攻击、视频回放攻击和假体攻击等,因此在人脸识别中使用活体检测技术越来越重要。随着攻击方式越来越多,人脸活体检测面临越来越大的压力,现今主要使用的活体检测方式比较单一,在复杂环境下准确性和鲁棒性往往达不到要求。在保证模型检测性能基础上还需要考虑模型推理时间,随着人工智能发展,卷积神经网络在人脸活体检测领域应用越来越广泛,但是由于卷积神经网络推理过程需要较大计算量,检测效率问题浮出了水面,这就需要研究人员在此方面继续探索研究。针对上面出现的问题,对现有相关文献阅读和思考,总结人脸活体检测相关问题,提出自己的创新点。（1）研究学习关于现有的人脸活体检测方法,总结可以借鉴学习的地方。对现有的人脸活体检测数据集进行归纳,选择多种公开数据集（Idiap Replay Attack数据集、OULU-NPU数据集、NUAA数据集、MSU-MFSD数据集、CASIA-FASD数据集）中部分数据,混合在一起,制作自己的数据集。研究深度学习发展过程以及卷积神经网络这一重要分支的发展历史,并且详细分析了卷积神经网络中主要部分,最后分析了对卷积神经网络改进和优化方法。（2）在特征提取上,本文为了方法的便捷性,主要使用各个颜色空间的特征判断,主要包括RGB、YCb Cr、HSV颜色空间特征。RGB是日常生活中接触比较多的表示颜色方法,而在科研领域,尤其是图像处理方向,有很多的弊端,无法提供足够多的特征信息。相比与RGB,HSV和YCbCr颜色空间中的人脸图像,有更多特征信息,提取特征后再将这些特征进行融合,得到最后结果。（3）在卷积神经网络（CNN）上,本文基于Feather Net提出了FeatherFaceNet进行图像识别工作,使用FeatherFaceNet和AlexNet、VGG16、GoogLeNet、ResNet50、MobileNet网络训练人脸活体检测数据集,并分析FeatherFaceNet优势。然后对FeatherFaceNet进一步的改进,包括使用增加5x5卷积核以增大感受野、在深层网络使用h-swish激活函数、添加注意力机制等方式。