随着深度学习技术的快速发展,人脸检测技术取得很大的进展,成为近年来计算机视觉领域中的一个研究热点。然而,人脸检测易受到尺度变化、光照变化、遮挡方面等因素的影响,使得人脸检测精度降低。与传统检测方法相比,SSD(Single Shot MultiBox Detector)网络检测方法具有高效的检测速度和较好的检测效果,但是也存在一些不足之处。因此本文提出基于改进的SSD网络的人脸检测方法,在检测精度和检测速度方面都取得了良好的效果。本文主要研究工作有如下两个方面:(1)针对在多尺度等环境下的人脸检测,传统的SSD网络的检测效果存在漏检和误检问题,提出基于深度残差网络(ResNeXt)的SSD网络,基础网络用ResNeXt-50网络替换原来的VGG16网络,使用ResNeXt-50网络结构不仅可以降低网络训练难度还可以减少特征提取的冗余度,不断增强人脸特征表达能力,进一步提高人脸检测精度。最后在WiderFace验证集上的实验结果,表明了基于ResNeXt网络的SSD网络能提高检测精度。(2)为了解决SSD网络的小人脸检测精度问题,提出一种基于特征融合方法的SSD网络。首先对高层的特征图使用反卷积学习高层特征的丰富语义信息,对低层的特征图使用空洞卷积学习低层特征的良好位置信息,对中间层的特征图使用卷积减少特征的通道数,然后将高层特征图、中间层特征图和低层特征图使用连接融合得到新的特征图,最后在该网络的预测层中使用残差块组成,损失函数层使用广泛交并比(Generalized Intersection over Union,GIoU)损失函数替换原来的平滑L1损失函数。在WiderFace验证集和Pascal Face数据集上的实验结果,表明基于特征融合方法的SSD网络在小人脸检测精度和检测速度方面有较好的性能。