多姿态人脸检测对于人脸检测走向实际应用具有重大的意义,也受到了模式识别领域的普遍关注,但是多姿态人脸检测准确度差是近年来一个比较难以突破的技术难题。支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳的策略,以求获得最好的推广能力,能较好解决人脸检测中的非线性、小样本、局部极小点等复杂问题。将支持向量机应用在人脸检测问题上,对于人脸检测技术的研究具有重要意义。本文针对多姿态人脸检测算法进行深入研究,结合超球支持向量机分类技术,介绍了基于超球支持向量机的多姿态人脸检测,并对国内外有关人脸检测方法的研究与应用给出详细分析,给出了协同人脸检测模型,同时介绍了数据预处理方法,可以提高检测的整体性能,最后详细介绍了基于超球的人脸检测算法模型。本文的主要研究工作包括：(1)分析了当前国内外多姿态人脸检测的研究背景及研究现状,介绍了基于支持向量机方法的多姿态人脸检测的研究状况,对常见多姿态人脸检测相关技术的应用范围以及其优劣进行了分析。(2)针对一幅图像的大部分区域是非人脸,本文提出了一种多姿态的协同人脸检测模型。该模型由一组超球支持向量机组成,他们被分成三层：第一层1个、第二层3个、第三层9个,共13个SVM。这些SVM按逐层精细化检测设计,协同完成人脸检测任务。采用三层模型的设计具有两点优势：一方面能加快人脸检测速度,另一方面又提高了检测的针对性,使得逐层能履行更精细的局部区域检测。(3)改进了k近邻(KNN)算法,比较了普通的KNN算法和改进的KNN算法的优缺点,将改进的KNN算法用于超球重叠样本的检测,提高了人脸检测的准确度。(4)设计并实现了基于超球的多姿态人脸检测的算法,构建了基于超球的多姿态人脸检测器,分析了超球支持向量机用于多姿态人脸检测的优缺点。(5)对提出的基于超球的多姿态人脸检测技术进行了相关实验,并且对实验结果进行了详细分析,相对于传统基于SVM的人脸检测,所提算法在人脸检测的准确率上有所提升；通过逐层过滤方法,提高了人脸检测的检测速度,这对人脸检测走向实际应用具有积极作用。本文依据多层检测模型,给出了基于超球支持向量机的多姿态人脸检测方法,其中结合KNN算法来处理超球重叠区域的样本,提高了超球重叠内样本的准确率。针对该协同模型进行了相关的性能实验,实验结果表明该方法具有很好的检测效果,整体性能比较高。最后,本文对研究和设计工作进行了总结,指出了支持向量机以及多姿态人脸检测算法的进一步工作方向。