En la aplicación práctica, el reconocimiento de imágenes faciales es vulnerable a ser atacado por fotos, videos, etc., mientras que algunos extractores de características artificiales actualmente utilizados en el aprendizaje automático, como la detección de actividad, los descriptores de textura y la detección de distorsión, son insuficientes debido a su débil capacidad de detección en la extracción de características de un ataque desconocido. Para hacer frente a la deficiencia mencionada y mejorar la seguridad de la red, este documento propone la convolución de diferencia direccional para el aprendizaje profundo en la extracción de información de imagen de gradiente, que analiza la correlación de píxeles dentro del dominio de convolución y calcula los gradientes de píxeles a través del cálculo de diferencia. Su combinación con la convolución tradicional puede ser optimizada por un parámetro. Su mayor capacidad en la extracción de gradientes mejora la capacidad de aprendizaje y predicción de la red, cuyas pruebas de rendimiento en CASIA-MFSD, Replay-Attack y MSU-MFSD para la tarea de anti-spoofing facial muestran que nuestro método supera a los métodos relacionados actuales.