可信身份识别是信息时代公众安全保障的重要基石,随着以身份认证为角色的人脸识别系统应用在生活中的各个方面,人脸防伪问题也受到广泛的关注。本文着力于研究可信身份认证中人脸防伪算法。人脸识别系统中,伪装攻击表现出非控、方式多样、场景多样、材质多样等特点,导致伪装攻击对象差异多样,可区分特征较少,且图像采集域各不相同,更突显可区分特征少的问题。此外,基于深度神经网络的人脸防伪算法都存在计算量大,模型复杂度高,难以在计算资源有限的应用平台部署。本文针对上述问题进行研究,具体工作包含以下几个方面。首先,本文从寻找方式多样的攻击对象差异出发,针对攻击对象存在背景依赖和非刚性运动造成的深度信息缺失问题,采用边缘信息放大差异,改进现有算法中深度信息监督网络的损失函数,并且通过融合边缘特征网络与深度信息网络来提高差异性特征的表征能力,实现具有较高性能的基于人脸边缘与深度信息融合的人脸防伪算法。其次,本文从现有人脸防伪算法跨域迁移性差出发,深入分析伪装攻击对象具有差异性的原因,采用分组正则化的手段强化模型自动选择特征和抑制噪声学习的能力,并通过多损失联合学习的方式提高算法的鲁棒性,实现具有较高防伪性能和较强泛化能力的人脸防伪算法。最后,本文针对现有深度学习的人脸防伪算法存在计算量大,对计算资源要求较为严格,难以在资源有限的应用平台满足实时性的问题,采用卷积重构与特征重标定的方式,在保证模型精度的前提下,尽可能的压缩模型参数,降低模型复杂度,为算法能在应用平台部署提供了技术支撑。