随着目标检测、人机交互、视频监控和安全防卫的迅猛发展，人脸检测已经不再仅仅局限于人脸识别范畴，它开始朝着一个独立的技术方向去发展。人脸检测是一个极具挑战性的问题，这主要是由于人脸的结构复杂，受外界条件影响较大，比如光照、物体遮挡和不同姿态，而且对于实时系统来说，检测速度又是一个很重要的指标，但同时也具有很高的应用潜力和学术价值，因而吸引了众多的学者投身其中。本文分析了人脸检测领域中普遍应用的算法，分析其优缺点，并选择AdaBoost算法进行深入研究。由于AdaBoost分类器的内部的训练细节还有许多问题亟待解决，因而想要独立的训练分类器并非易事。本文深入研究分类器训练的细节，分析影响训练过程的各种因素，探索怎么样会让分类器的检测性能达到一个更高的层次。在研究过程中发现，为了标记样本的重要程度，每个样本都会赋予一个权值，权值的分布变化体现了学习算法对样本的关注程度的不同，这是影响分类器训练的重要因素。本文针对原算法在训练时存在的样本权重分布异常的现象，给出了相应的解决的办法，并提出了新的权值更新公式。改进后，即便在训练集里出现某些困难样本，在新的训练流程中，该类样本的权值也不会异常变化，提高分类器的性能。最后使用VS2005和OpenCV，根据算法编写训练程序和检测程序，验证本文算法的可行性。试验结果表明，本文算法较好的改善了样本权值分布，训练出来的分类器效果更佳，误检率变化不大的情况下，较为明显的提高了检测率。由于优化了训练样本的分布，使得训练出来的分类器的阈值更加优秀，分类器所包含的特征更少，所以达到了减少检测时间的目的。