本文聚焦于提升在线人脸活体检测系统的性能，以增强下游人脸识别系统的安全性。现有的大多数基于帧的方法普遍存在时间维度上预测不一致的问题。为解决该问题，本文提出了一种简单而有效的基于时序一致性的解决方案。具体而言，在训练阶段，除了传统的Softmax交叉熵损失外，引入了时序自监督损失和类别一致性损失，以融合时序一致性约束；在部署阶段，设计了一种无需训练的非参数化不确定性估计模块，可自适应地平滑预测结果。此外，超越常规的评估方式，本文提出了一种基于视频片段的评估范式，以更好地适应更为实际的应用场景。大量实验表明，所提方法在多种场景下对各类呈现攻击均表现出更强的鲁棒性，在多个公开数据集上的ACER（等错误率）指标上显著优于当前最先进方法，提升幅度不低于40%。同时，该方法具有显著更低的计算复杂度（浮点运算量减少33%），为低延迟的在线应用提供了巨大潜力。