人脸检测是指在输入图像中确定所有人脸(如果存在)的位置与大小，它最初是作为自动人脸识别系统的定位环节被提出。近年来由于其在安全访问控制、视觉检测、基于内容的检索和新一代人机界面等领域的应用价值，开始作为一个独立的课题受到研究者的普遍重视。　　 人脸检测要走向实际应用，精度和速度是亟需解决的两个关键问题，但由于人脸检测问题自身的复杂性，仍旧未能得到彻底解决。直到近来，Viola基于AdaBoost算法的人脸检测器一文的发表，人脸检测速度才得到了实质性地提高。但作为一种新兴技术，AdaBoost方法在人脸检测领域的研究还有待于进一步地探索和完善。本文对人脸检测问题作了一些探讨，对基于积分图像的AdaBoost人脸检测方法存在的问题进行了研究，并给出了相应的解决方法，提高了人脸检测系统的速度和精度。本文主要工作包括以下两个方面：　　 1、针对AdaBoost人脸检测系统训练非常耗时、结构较复杂的问题，提出了一种新的AdaBoost快速训练方法。新方法从两个方面提高训练速度：一是直接求解训练中AdaBoost目标函数；二是在直接求解算法基础上，使用了双阈值简单分类器构造强分类器，从而优化了基于AdaBoost的人脸检测系统的结构，提高了检测的速度。　　 2、针对单一的AdaBoost分类器在人脸检测后期非常耗时的问题，本文结合AdaBoost和支持向量机两种分类器的特点，提出了一种由粗到精的融合分类器结构模式，加速人脸检测。首先，使用简单而又快速的AdaBoost层叠分类器，快速排除大量简单的非人脸图像；然后利用速度慢而精度高的非线性支持向量机，将已通过前阶段检测的复杂图像准确归类为人脸或非人脸。　　 最后本文对所使用的方法作了总结，对下一步工作进行了展望并提出了若干建议。