چکیده: زیست‌سنجی نوعی اقدام امنیتی برای کنترل دسترسی در سیستم‌های کامپیوتری می‌باشد که از ویژگی‌های قابل اندازه‌گیری بدن انسان جهت احراز هویت کاربر استفاده می‌کند که این ویژگی‌ها در دو دسته کلی فیزیولوژیکی و رفتاری قرار می‌گیرند. در دهه اخیر، شاخه زیست‌سنجی به لطف یادگیری عمیق دچار دگرگونی و پیشرفت‌های چشمگیری شده است. در این راستا، بهبود‌های بسیاری روی روش‌های قدیمی زیست‌سنجی اعمال شدند که مشکلات امنیتی آنها را به طور چشم‌گیری کاهش داده‌اند. یکی از پرکاربرد‌ترین روش‌های زیست‌سنجی تصویری، بهره بردن از تصویر چهره‌ی افراد است که با وجود ایمنی بسیار بالایی که دارد، متاسفانه از نظر برخی افراد تهدیدی جدی برای حریم خصوصی محسوب می‌شود. برخی دیگر از روش‌های زیست‌سنجی که از ویژگی‌های صوتی استفاده می‌کنند نیز به دلایلی مانند اغتشاشات صوتی حاضر در محیط‌های مختلف و عدم قابلیت استفاده توسط افراد دارای اختلالات گفتاری، همیشه قابل استفاده نیست. زیست‌سنجی مبتنی بر لب (LBBA) به دلیل به همراه نداشتن مشکلات فوق، در دهه گذشته محققان بسیاری را به خود جذب کرده است. لب به طور خاص برای محققان زیست‌سنجی مورد توجه قرار گرفته است زیرا یک ویژگی دوتایی با پتانسیل عملکرد به عنوان یک ویژگی فیزیولوژیکی و رفتاری به طور همزمان می‌باشد. اگرچه تحقیقات ارزشمند زیادی در مورد LBBA انجام شد، اکثر آنها احساسات متفاوت افراد را در مرحله اخذ تصویر LBBA را در نظر نگرفته‌اند، که به طور بالقوه می‌تواند بر حالات صورت و سرعت گفتار فرد تأثیر بگذارد. در این پایان نامه، یک معماری شبکه عصبی جدید پیشنهاد شده است که از یک ساختار عمیق سایامیز با تابع خطای سه تایی با سه شبکه آهسته-سریع یکسان به عنوان شبکه‌های استخراج ویژگی استفاده می‌کند. شبکه آهسته-سریع یک گزینه عالی برای انجام استخراج ویژگی از تصاویر لب است زیرا مسیر سریع این شبکه ویژگی‌های مرتبط با حرکت (ویژگی‌های رفتاری لب) را با نرخ فریم بر ثانیه بالا و ظرفیت کانال رنگی کم و مسیر آهسته ویژگی‌های بصری (ویژگی‌های فیزیولوژیکی لب) را با نرخ فریم بر ثانیه پایین و ظرفیت کانال رنگی بالا استخراج می‌کند. شبکه پیشنهادی با استفاده از پایگاه داده CREMA-D آموزش داده شده و نرخ خطای معادل(EER) 0.005 را در مجموعه آزمایشی به دست آمد.