人脸识别系统容易受到恶意的欺骗攻击，例如打印的照片攻击或视频重播攻击。因此，为了保障人脸识别系统的安全性，研究能够抵抗欺骗攻击的人脸活体检测技术显得尤为重要。本文主要的研究对象是基于纹理的人脸活体检测方法。现有基于纹理的方法对光照变化和噪声等因素敏感，且使用的特征表达能力不足，导致泛化性能较低。除此之外，当源域和目标域数据分布差异较大时，学习的模型不能很好地泛化到目标域中，导致性能急剧下降。为了解决上述两个问题，本文展开了深入的研究。主要的研究工作如下：
　　1)针对现有基于纹理的方法对光照、噪声等因素敏感导致泛化性能差的问题，本文研究了一种基于动态彩色局部方向编号模式的人脸活体检测方案。该方案使用局部方向编号模式(LocalDirectionalNumberPattern，简称LDN)作为基本的纹理描述子。该方案将LDN扩展为其动态变体，即三个正交平面的局部方向编号模式(LDNfromThreeOrthogonalPlanes，简称LDN-TOP)。将RGB图像转换到HSV和YCbCr颜色空间，结合从每个颜色通道中计算的LDN-TOP特征作为最终的特征向量。最后，使用基于概率协同表示的分类器(ProbabilisticCollaborativeRepresentationbasedClassifier，简称ProCRC)进行分类。该方案在CASIA和UVAD数据集上都取得了当前最好的性能，分别为0.37%的EER和5.73%的HTER，在Replay-Attack数据集上也取得了较好的性能，HTER为3.13%。
　　2)针对源域与目标域的样本分布差异大导致泛化性能差的问题，本文研究了一种基于彩色纹理和领域自适应的特定用户人脸活体检测方案。该方案为每个目标受试者训练独立的人脸活体检测分类器以消除身份信息对领域自适应方法效果的影响，从而提升模型从源域到目标域的泛化性能。由于目标受试者缺少训练分类器所需的欺骗攻击样本，该方案为目标受试者合成虚拟的欺骗攻击样本。在得到了每个目标受试者的训练集与测试集后，使用领域自适应方法来进一步减小训练集与测试集数据分布之间的差异，最后为每个目标受试者训练独立的分类器。在测试阶段，首先借助人脸识别技术确定测试样本的身份，然后调用对应受试者的分类器对该测试样本的类别进行预测。实验结果表明，该方案能够有效地提高模型的泛化性能，在CASIA到Replay-Attack的跨数据集评估中得到了最低的错误率，HTER为4.4%，且两组跨数据评估实验的平均HTER为27.2%，优于大多数现有方法。
　　本文主要针对现有基于纹理的方法对光照、噪声等因素敏感导致泛化性能差的问题，以及源域与目标域数据分布差异较大时模型泛化性能急剧下降的问题，分别研究了基于动态彩色局部方向编号模式的人脸活体检测方案以及基于彩色纹理和领域自适应的特定用户人脸活体检测方案。实验结果表明，本文研究的基于动态彩色局部方向编号模式的人脸活体检测方案能够有效地降低错误率，当源域与目标域数据分布差异较大时，使用本文研究的基于彩色纹理和领域自适应的特定用户人脸活体检测方案能够有效地提升泛化性能。