人脸检测作为人脸分析的基础步骤,在许多人脸相关的应用中扮演着至关重要的一环,也是计算机视觉任务中一个长期存在的问题。人脸检测是指利用某种特定的方法来检测并准确定位图片或者视频中的人脸位置,因此其检测结果的好坏经常受限于各种外界因素。随着智慧化信息技术的快速发展,人脸检测技术在安防监控系统、非接触式信息采集、移动人脸支付等实际场景下的应用越来越广泛,因此研究检测精度更高、运行速度更快的人脸检测算法有着十分重要的现实意义。本文主要以自然场景下的人脸目标为研究对象,并以卷积神经网络为研究载体,探索在不同网络架构中模型的人脸检测效果,并根据目前人脸检测发展所面临的实际问题,提出两种能提升人脸检测精度和实时性的算法框架,论文的主要工作内容如下:（1）介绍人脸检测技术的研究背景与意义,并对人脸检测存在的技术难点与问题进行分析与讨论,最后调查了国内外人脸检测技术的发展与研究现状,归纳总结不同时期人脸检测技术的原理与优缺点。（2）针对多尺度人脸目标检测召回率低的问题,介绍一种优化的YOLOv3目标检测模型,该方法利用类似特征金字塔的多尺度融合策略,在原始算法三个特征映射图的基础上,增加一次上采样操作,用来扩大网络的感受野范围,从而获取更多的特征描述信息,提高算法检测的准确率;同时基于K-means聚类算法优化锚点框匹配策略,通过对Wider Face人脸数据集进行标注框坐标信息的重新聚类,提高预测框与真实标记框之间的交并比,进而改善网络对人脸目标的漏检情况,提升算法的召回率。（3）为了实现快速检测的目的,本文结合轻量级网络的设计理念改进特征提取网络,用深度可分离卷积替代标准卷积的工作方式,减少网络训练过程中的计算量参数,实现人脸检测速度的实质性提升;同时在残差结构中引入注意力机制模权衡网络的检测速度和检测精度,即在保持计算量平衡的同时重点突出感兴趣区域,加强网络的局部特征表达能力。（4）针对现实场景中大量人脸目标共存时出现的难易样本不平衡问题,提出基于Focal-loss改进新的损失函数,用优化的交叉熵损失函数对置信度误差部分进行计算,该函数可以通过预设调节参数改善简单样本与难分样本的权重比例,进而提升模型训练的收敛速度,使检测结果更加精准有效。通过大量对比实验和不同检测指标的定量性分析,验证改进的两类算法均可以在不同程度上提高人脸检测的性能。