该研究聚焦于生物特征识别系统中的欺骗攻击检测问题。随着人脸识别等生物特征系统在安防领域的广泛应用，攻击者利用伪造的生物特征数据（如照片、视频、3D面具）进行欺骗攻击的风险日益突出。为评估现有深度学习模型在检测此类攻击上的有效性，论文选取了四种代表性模型：轻量级MobileNetV2、密集连接DenseNet-121、多尺度Inception-v3以及基于特征解耦的STD（Spoof Trace Disentanglement）模型。研究采用CelebA-Spoof数据集进行训练和评估，该数据集包含大量真实和欺骗人脸样本，并利用准确率、精确率、召回率和F1分数等指标衡量模型性能。为进一步验证泛化能力，还在MSU-MFSD数据集上进行了跨数据集验证。实验结果表明，MobileNetV2在计算效率和检测性能间取得最佳平衡，达到92%的准确率，适合实际部署；Inception-v3表现出中等鲁棒性；而DenseNet-121和STD在泛化至不同数据集时性能下降明显，暴露出过拟合或特征学习不充分的问题。研究最后指出，未来需在领域自适应和混合架构方面取得突破，以提升生物特征安全系统的整体防护能力。该论文对安全研究人员选择或设计欺骗检测模型具有参考价值。