计算机视觉技术领域的研究进入了深度学习时代后,人脸检测作为计算机视觉领域中一直都在研究的问题,也跟随人工智能技术不断向前发展,深度学习时代的人脸检测算法也可以从跟通用目标检测的关系来从两个不同的角度看待,分别是专为检测人脸目标而设计的检测器,此类算法大多从人脸与其他目标相比而独有的特征出发而设计,另一种就是在通用目标检测算法的基础上,做一定针对于人脸目标的调整,此类算法的设计往往更加简洁,且具备更高的可复用性。人脸检测中提出的方法几乎涵盖了从数据处理到损失设计的深度学习训练的每个部分。这些方法大部分都专注于小尺寸目标的挑战。然而,实际上在通用对象检测中有很多方法,同样专注于解决类似的问题。因此,基于通用检测的人脸检测和特定人脸目标检测算法都在不断向前发展。随着人脸检测算法的效果越来越好,同时也越来越特定于检测人脸目标,比如经典的SSH、S~3FD以及HAMBox里的anchor补偿策略等等。鉴于此,本文基于通用检测模型,设计了一个简单而又实用的人脸检测模型,使其便于使用和复现。在此之前,基于通用检测模型Retina Net设计的人脸检测模型Retina Face和Tina Face已经在WIDER FACE数据集上取得了较好的成绩。YOLO系列是目标检测领域最为广泛使用的单阶段检测模型,YOLOv5是YOLO系列的最新版本,为了便于比较改进效果和使用复现,我们选择了YOLOv5做为基准,通过对于YOLOv5数据增强模块、网络结构和loss函数的改进,此基础上针对人脸检测的部分特性作出修改,设计一个全新的检测模型。在设计基于通用检测的人脸检测算法时,本文对特征融合网络的改进在人脸检测任务上取得了较好的性能表现,包括将PANet与注意力机制相合并以增加不同分辨率特征融合的有效性,增加一个尺度的特征图,也对各个尺度的检测精度带来了一定程度的提升,因此本文从特征融合网络的角度出发,在基于通用检测的人脸检测模型的基础上继续作出改进,增加不同层次特征的之间的跨层连接,提高特征融合的效率,改善尺度差距过大的人脸目标的检测效果,并通过实验验证了这一策略的有效性。