在智能设备普及的今天,需要对人脸进行检测的场景越来越多,人脸检测算法也是层出不穷。使用深度学习领域的方法,可以高效省时地检测人脸。本文基于Retina Face算法进行研究,其中Retina Face是深度学习领域中一种单阶段的人脸检测算法。该算法由主干网络、特征金字塔和文本模型构成,人们可以为了满足不同检测要求而选用不同的主干网络。虽然该算法在人脸检测和关键点定位方面相比于其他算法有了长足的进步,但是在一些极端情况,比如有遮挡和逆光等困难场景下检测和定位效果仍有待提升。针对它的不足,本文提出一种鲁棒的单阶段人脸检测定位算法（称作Pupil Face）,使得我们可以在极端的场景下达到较好的效果。本文也提出了新的注意力机制模块,并将该模块嵌入主干网络中,在几乎不提高参数量的同时,给网络效果带来了可观的提升。本文选用轻量级的主干网络,并在文本模型中引入可形变卷积,降低了对设备算力的要求,并尽可能地提升检测效果。本文的主要工作如下:（1）提出新的注意力机制模块--HECA。在不降低维度的情况下,增强通道间特征的联系,提升了检测效果。本文提出的注意力机制模块的参数和计算量与Mobile Net V2相比,分别是12:3.34M和5.1e-4 GFLOPs:0.32 GFLOPs。（2）提升检测困难的图片（比如人脸有大面积遮挡）的检测效果。本文选用轻量级的主干网络,在WIDER FACE数据集上进行测试,Pupil Face比其他大多数网络表现得更好。选用Mobile Net V2加上本文提出的注意力机制模块-HECA作为主干网络,达到了在Easy子集上平均精确值（Average Precision,AP）为91.82%、Medium子集AP值为90.65%、Hard子集AP值为80.94%的结果。（3）引入可形变卷积（Deformable Convolutional Networks,DCN）。用DCN替换了上下文模块中所有的3*3卷积,增强几何变换建模的能力。（4）增强模型的适应性。模型可以根据任务的不同,更换不同量级的主干网络,从而适应不同的检测任务,推广到不同的领域中。综上所述,本文提出的网络在选用轻量级主干网络的情况下,也能达到很好的检测效果,而且更适用于移动端,为将来应用于驾驶员的疲劳监测等场景做了铺垫。