人脸检测作为人脸识别系统中的一个关键环节,存在着广泛而迫切的现实需求,如身份认证、安全防护、媒体与娱乐、图像搜索等。在现实需求的驱动下,各种人脸检测算法被提出并取得了一定的效果。但目前大部分研究者提出的人脸检测算法主要针对较强约束条件下的人脸图像,这类人脸图像表现出简单背景以及相似尺寸的正面人脸,然而,实际应用场景中的人脸图像受到光照变化、模糊、遮挡、尺度变化、非典型姿态等各种复杂因素影响,这使得上述现阶段的算法对于该复杂因素下人脸图像的预测准确率并不好,因此,迫切需要一种在复杂背景下同样具有高预测准确率的人脸检测算法。本文以提高复杂背景下人脸检测的效果为驱动,在分析现阶段人脸检测算法优劣的基础上,针对具有模糊,光照变化,非典型姿态,夸张表达和遮挡等复杂因素的人脸图像以及小目标人脸,提出了两种高效的多任务人脸检测算法:第一,提出了一种基于Res Net的多任务人脸检测算法(MRF-CNN)。与仅针对较强约束条件下人脸图像的检测算法不同,MRF-CNN对于在尺度变化、光照变化、模糊、遮挡、非典型姿态等复杂背景下人脸,以及小目标人脸均具有较高的检测准确率。MRF-CNN由两个级联的模块(ML-net和F-net)组成,ML-net针对Resnet进行了改进,通过在一个网络中同时实现人脸二分类和回归多任务,提高了人脸检测的准确率。F-net通过构建人脸特征点定位的辅助任务来进一步提高ML-net输出结果的准确率,从而最终提高了MRF-CNN算法的性能。第二,提出了一种基于超分辨率金字塔的人脸检测算法(SRPN-CNN)。SRPN-CNN对MRF-CNN进行改进,在金字塔构建过程中使用了超分辨率技术,该技术利用了三个卷积网络将低分辨率图像重建成高分辨率图像,恢复图像在采样过程中丢失的高频信息并提供更多额外的细节信息,同时还弥补了一般插值算法存在的一些缺陷。实验结果表明,SRPN-CNN在光照变化、模糊、遮挡、尺度变化、非典型姿态等复杂因素影响下比MRF-CNN和其他对照算法取得了更好的视觉效果和预测性能,这说明SRPN-CNN对于MRF-CNN的改进措施是有效的。