随着人脸交互系统的广泛应用,人脸交互系统的安全性和可靠性成为人们关注的热点问题。其中,人脸防伪造是其中的一个重要领域,其目标是识别人脸是真实的图像的还是伪造的图像,其中伪造的方式包括非真实人脸的伪造（impersonation attack）和混淆人脸的伪造（obfuscation attack）,这种非真实人脸的伪造包括伪造图片,伪造视频等,混淆人脸的伪造包括人脸化妆和部分遮挡。虽然已经取得了巨大的进展,但现有的工作在处理复杂的伪造攻击和推广到现实场景方面仍有困难,主要原因是现有的人脸防伪造数据集在数量和多样性上都有限。为了克服这些障碍,除了收集相对容易的非真实人脸伪造数据,本文首先引入了一种基于语义分割和局部迁移的自动仿妆系统。用户提供源图像和目标图像作为参考。该系统以目标图像为参考,在源图像的指定区域模拟目标的图像的相关妆容。更准确地说,我们把目标图像每个待化妆区域（唇彩、眼影、眉毛）转移到源图像人脸相应的区域,从而获得了伪造目标人脸的新图像,实验结果表明了该方法的有效性,基于以上方法,我们可以获得大量的混淆人脸这种新类型人脸伪造手段的数据。基于以上算法合成和人工采集,我们进一步构建了一个大规模的人脸防伪造数据集,Celeb A-Spoof,该数据集具有以下特性:伪造人脸图像从8个场景（2个环境*4个光照条件）和超过10个传感器中捕获,真实人脸继承于Celeb A。Celeb Aspoof包含10个人脸伪造类型的标注,以及从原始Celeb A数据集继承的40个人脸属性注释。利用该数据集丰富的标注内容,我们提出了一种全新的人脸防伪造算法AENet,该算法旨在同时结合图像的语义信息和几何信息以辅助对伪造人脸的鉴别。本文将AENet和其他人脸防伪造算法在Celeb A-Spoof上进行基准测试,并揭示了一些有价值的观察结果。我们的关键发现是,与常用的二元监督或中层几何表示相比,作为辅助任务的丰富语义标注可以极大地提高面对防伪造攻击的性能和泛化能力。通过综合研究,我们发现Celeb A-Spoof是一种有效的训练数据源。在Celeb A-Spoof上训练的模型（未经微调）在CASIA-MFSD等标准基准上显示了最先进的性能。