随着硬件性能的不断突破和计算机视觉的飞速发展,人脸识别、身份验证、表情识别等人脸应用受到广泛用户的青睐,推动了人脸检测技术的持续发展,并且成为近十年研究最多的课题之一。然而由于现实环境中存在诸多不确定因素,比如光照变化、人脸遮挡、不同姿态、多样的表情和各种不同尺度的人脸等,使得人脸检测技术很难再现实生活中广泛应用,其中人脸遮挡和多尺度人脸对人脸检测性能的影响最为严重,是目前大多数人脸检测算法存在的主要问题。本文对基于深度学习的人脸检测算法进行了分析,针对人脸遮挡和多尺度人脸等问题提出了相关改进方法,并应用于目前较为成熟的Faster R-CNN模型中,经过实验验证,本文提出的改进算法模型在这两方面的检测性能均优于大多数同类算法。本文具体工作内容如下:1、对于人脸遮挡问题。对常见的人脸遮挡情况进行了研究,首先,提出了一种改进的区域交叉熵损失函数,来对样本的局部特征进行学习,通过全局平均池化的方式将特征图直接和类别相关联,进而增加局部区域特征对分类的贡献,使检测器对局部区域特征更为敏感。其次,针对正样本遮挡人脸漏检问题,采用更加合理的软式非极大值抑制方法获得效果最好的人脸候选框,并降低重叠较大的候选框分数,提升对遮挡人脸的召回率,减少人脸漏检的情况。最后,针对现有数据库中遮挡人脸的样本数较少问题,通过数据驱动的方式,人工制作人脸遮挡的样本,使模型对遮挡样本进行充分学习,进而提升网络对遮挡人脸的检测率。2、对于多尺度人脸问题。对人脸检测算法对不同尺度人脸检测的难点进行了讨论,首先,提出了一种多尺度融合策略,利用特征提取网络输出特征图逐级缩小的特性构建特征金字塔,通过自顶向下和自底向上的两次融合,使得最后输出特征包含更多的语义信息和位置信息,增强了特征的鲁棒性,提升了算法对小尺度人脸的敏感度。其次,对锚框的表征方式进行改进,增加候选框的推荐尺度,同时将多尺度融合的特征金字塔各层输出与合适尺度的锚框相匹配,提升常规人脸和小尺度人脸的召回率。最后,为缓解训练过程中正负样本不均衡问题,采用了在线难例挖掘方式,对样本中的难例进行挖掘,通过回传方式进行多次学习,增强模型对难例的检测能力。