人脸检测是模式识别和计算机视觉领域的一个重要研究方向，具有非常广泛的实用价值。本文在对人脸检测的国内外研究现状进行深入分析的基础上，对人脸检测的速度和鲁棒性进行了探讨。全文主要内容如下：1．支持向量机(SVM)分类速度比较慢，特别是在使用非线性核以及支持向量的数量比较多时，分类的速度将更慢，实际上，大部分负样本和正样本只需要使用线性分类器就能分开。本文针对这种情况，提出了FLD／SVM级联分类器和SVM决策树。首先使用两个fisher线性分类器来排除大量的背景区域，再使用线性SVM排除部分背景区域，最后使用非线性SVM来对余下的候选区域进行进一步验证。实验结果表明该方法使得检测速度有较大的提高，并且检测的正确率并没有明显的下降。2．在用SVM解决分类问题时，特征子集和SVM核函数参数的选择会对分类的性能产生很大的影响，并且特征子集和核函数参数之间也相互影响。本文针对这种情况，使用主成分分析(PCA)、小生境遗传算法(NGA)和SVM封装的方法来得到最优的特征向量子集和SVM核参数。与交叉验证的参数优化方法相比，该方法不仅分类准确率更高，特征的个数也大大减少；与单纯使用遗传算法来进行特征提取方法相比，该方法在分类准确率方面有较大的优势。3．深入研究了人脸检测的研究现状，把人脸检测的方法分为基于特征的方法和基于图像的方法。本文针对基于图像的方法速度慢的特点，在检测阶段引入基于特征的方法，使用基于特征和基于图像相结合的检测方法。对于一幅待检测的图像，首先使用基于特征的方法进行粗检测，对得到的人脸候选区域，再使用基于图像的方法进行进一步的验证。实验结果表明该方法不但使得检测速度有大幅度的提高，而且检测率并没有明显的下降。