The rise in the use of facial recognition technologies for authentication and security has hastened the need to develop effective methods to combat facial spoofing, known as face Presentation Attacks (PAs). This work addresses the challenge of Face Anti-Spoofing (FAS) and proposes a stereo vision-based approach to enhance the detection of 2D facial spoofing attacks. The research details the implementation of a Convolutional Neural Network (CNN) built from the Transfer Learning technique, which uses disparity images to add a depth dimension to the analysis. Throughout the work, the performance of the proposed model is also compared with an existing open-source model, the Silent-Face-Anti-Spoofing, providing insights into potential improvements. The results show that the exploration of disparity images can increase robustness and generalization compared to traditional approaches based solely on RGB images, achieving an accuracy of 100% in a controlled environment.O aumento no uso de tecnologias de reconhecimento facial para autenticação e segurança tem acelerado a necessidade de desenvolver métodos eficazes para combater a falsificação facial, conhecida como Ataques de Apresentação Facial. Este trabalho aborda o desafio do Face Anti Spoofing (FAS) e propõe uma abordagem baseada na visão estéreo para melhorar a detecção de ataques de spoofing facial 2D. A pesquisa detalha a implementação de uma Convolutional Neural Network (CNN) construída a partir da técnica de Transfer Learning, que usa imagens de disparidade para adicionar uma dimensão de profundidade à análise. Ao longo do trabalho também comparamos o desempenho do modelo proposto com um modelo de código aberto existente, o Silent-Face-Anti-Spoofing, e oferecemos insights sobre possíveis melhorias. Os resultados mostraram que a exploração de imagens de disparidade pode aumentar a robustez e a generalização em relação às abordagens tradicionais baseadas apenas em imagens RGB, atingindo uma acurácia de 100% em um ambiente controlado.