互联网技术的迅猛发展使得生物特征识别技术在生活中得到广泛普及,其作为最重要的身份认证机制之一,已经被广泛应用于出入境管理、刑事侦查、智能安防和智能家居等领域中,其中,人脸识别（Face Recognition,FR）以其高安全性、良好的稳定性和易用性而受到广泛关注,基于FR认证系统的使用也极大提高了身份验证的效率,带给用户快捷方便的体验。然而,随着科学技术的发展,互联网上的人脸图片和视频特别容易获取和重现,一旦有人故意伪造人脸,在人脸识别系统上进行欺骗攻击且验证通过,将会严重威胁到用户的个人信息和财物安全。尽管目前在生物特征识别方面的研究取得了最新进展,基于人脸识别的解锁系统对欺骗攻击的脆弱性仍然是一个严重的问题。局部二元模式（Local Binary Pattern,LBP）因其计算高效且易于实现,已成为人脸欺诈检测领域中最突出和最广泛研究的局部纹理描述符之一,目前研究人员也已经提出了大量的LBP变体,但其中大都只考虑了局部中心点与邻域像素之间的大小关系,比较依赖中心像素且忽略了较细节的纹理信息,基于此,本文提出了两种能够描述细致纹理信息,有效识别人脸欺诈的特征提取方法,具体的研究内容主要包括了以下几个方面:（1）基于加权邻域差值量化的局部二值模式（Weighted Neighborhood Difference Quantization Local Binary Pattern,WNDQLBP）,其中分别提出了基于一阶差值信息的WNDQLBP2模式和基于二阶差值信息的WNDQLBP3模式,二者在不使用中心像素的情况下量化邻域像素之间的差异,根据差值的正负,将算法分为正负两个部分,并使用三种不同的方法对差值进行归一化操作,之后采用线性加权的方式将差值信息融入编码过程以提高传统LBP的鉴别能力。（2）基于奇偶数位像素差异的描述子OEDLBP（Odd and Even Bits Difference Local Binary Pattern）,该算法包含局部偶数位差值模式（Even Bit Difference Local Binary Pattern,EDLBP）、局部奇数位差值模式（Odd Bit Difference Local Binary Pattern,ODLBP）和全局模式（Global Binary Pattern,GBP）,前两者分别提取局部区域邻域内偶数位、奇数位像素之间的差值信息,后者提取图片的全局特征结构,该算法可以增加原始LBP的纹理信息,同时降低算法所提取的特征维度。（3）将所提算法与空间金字塔结合,提取人脸图片的宏观和微观空间结构,解决图像的多尺度问题并提高算法的识别能力。在多种颜色空间内进行实验,以说明彩色纹理在人脸检测技术中的重要性,并从各彩色空间、彩色通道内提取互补的颜色纹理信息,提高算法的泛化能力和识别精度。所提出的方法分别在三个具有挑战性的人脸反欺骗数据库上取得了较好的检测效果,其实验结果优于大部分基于LBP改进的算法以及部分基于深度学习的算法。