生物验证作为一种重要的身份验证技术,越来越广泛的应用在隐私和安全领域。利用人脸的生物特征进行身份识别,在学术界和工业界得到了广泛的关注。然而,由于传统的人脸识别技术无法有效区分真伪人脸,图像欺骗的问题带来了许多安全隐患。为了克服真伪人脸的图像识别问题,本文提出了三种人脸活体检测技术研究方法。第一种方法基于传统的特征提取与机器学习,融合静态Gabor小波特征和动态LBP特征,并运用支持向量机(SVM)对其进行分类。然而传统方法一般只能提取较为浅层的特征,不能表达深层语义信息,为了解决这种问题,本文继而提出第二种基于生成对抗网络(GAN)的人脸活体检测方法。该方法基于深度卷积生成对抗网络(DCGAN)的结构模型,利用无监督学习进行样本扩充(即数据增强)。所提出的模型经训练生成的对于分类任务较为困难的对抗样本,以此促进网络学习,提升分类准确率。该方法可以用于任意的GAN模型,通过在训练过程中调节判别模型的输出值,生成介于两类之间的样本(即对抗样本),用于扩充训练集。通过SVM进行分类,实验验证了数据增强对于准确率的提升,同时测试了判别模型卷积层特征对于分类的有效性。以上两种方法都采用监督学习的方法,但是监督学习的训练需要大量带有标签的数据样本,而标签的标定通常耗费大量人力物力,不仅如此,对于一些很难区分的真伪人脸样本,标签信息难以确定。针对以上问题,第三种方法提出基于图像修复模型进行半监督学习的人脸活体检测技术,在图像修复的训练过程中不断针对极少的带标签的样本进行分类学习。所用到的图像修复模型包括生成模型和判别模型,其中判别模型又包括局部判别模型和全局判别模型。具体地,生成模型主要用于修复缺失的图像,局部判别模型用来判别掩码图像的局部一致性,全局判别器用来判别完整图像的全局一致性并对带标签样本进行分类。整个模型既能修复图像,又实现了半监督学习任务。实验通过对比已有的算法,证明了基于图像修复的半监督学习对于人脸活体检测任务的有效性和准确性。