人脸检测是目标检测领域中最热门的研究方向之一。该技术是一种基于人脸特征信息的生物特征识别技术,其利用摄像头所采集到的包含人脸的图像或视频流,致力于自动检测与跟踪人脸。同时,将检测到的人脸分析应用于下游任务以便进一步的分析与扩展。传统的人脸检测算法通常不具备自动从原始图像中提取有用的检测特征的能力,并且在高时间复杂度或高误报率方面存在一定的局限性,然而借助卷积神经网络可以轻而易举地提取到高维度特征信息的优势。近些年很多优秀的基于深度学习的人脸检测算法层出不穷。YOLO算法作为一阶段目标检测算法之一,该算法将目标位置预测和目标类别预测归并于一个神经网络模型中,实现高准确率和高效率的目标检测,更适合实际应用场景。本文以提高复杂场景下人脸检测的效果为目的,研究了YOLO系列算法中表现突出的YOLOv5算法,通过改变网络结构和优化参数,使其能在复杂的场景下提升检测精度。本文主要研究内容如下:（1）人脸检测算法改进:考虑到在实际应用场景中,人脸检测会受到不同外界环境的影响,所以提高人脸检测在非受限条件下的检测精度具有不可或缺的价值。基于此本文首先对YOLOv5算法Backbone部分中的C3模块进行改进,通过增加Swin Transformer机制,利用其滑动窗口的特质,使不同窗口中的信息能够进行交互,扩大了感受野的同时,提高了全局信息的融合能力,更好的实现了特征提取的功能。为了进一步减小算法中的参数量,提高网络运行速度,引入了一种新的算子,即用内卷算子替换掉YOLOv5算法Neck部分的卷积算子。最后,在YOLOv5算法Neck部分,采用增加注意力机制的方式,来关注最有价值的部分,抑制无意义信息的输出。实验结果表明,优化后的算法的m AP值达到了0.837,与SSD、YOLOv3和YOLOv5算法相比而言,m AP值分别提高了0.2189、0.1085、0.025。（2）人脸识别系统:本文的研究工作依托于本实验室项目,将改进的人脸检测算法和原有的Facenet算法进行整合,设计了一套人脸识别系统。系统分为人脸录入和人脸识别两大功能模块,其中人脸录入部分主要用于将陌生的人脸录入到系统的数据库内,人脸识别模块用于检测人脸并得到人脸在图中的位置以及与数据库中存有的人脸数据进行比对,用于身份判断。通过测试,验证了设计的人脸识别系统满足于日常使用的需求。