人脸检测在无人驾驶、视频监控与安防、搜索营救等领域具有广泛的应用,是人脸智能系统的基础任务。近年来深度神经网络在成像良好的人脸检测任务中获得了较好表现,但在复杂场景中,脸部遮挡变化引起的视觉干扰显著降低了检测器性能。一方面遮挡物的多样性和随机性对人脸检测模型有着巨大的影响;另一方面许多应用场景中边缘设备的计算资源非常有限,很难支撑高精度人脸检测模型有效完成复杂的人脸检测任务。如何高效、鲁棒地实现速度和精度平衡的遮挡人脸检测,是一个富有挑战的问题。因此本文重点对减少由于遮挡造成的漏检、误检和复杂人脸模型的轻量化进行研究,主要研究内容及成果如下:（1）针对复杂场景中的遮挡干扰,提出了多任务感知遮挡人脸检测算法MTOFD。与基于非遮挡区域特征增强的方法不同,该算法通过引入遮挡语义信息增强了遮挡人脸特征,并设计了语义注意网络模块实现遮挡特征在多任务框架下的融合,改善了复杂遮挡场景的人脸检测。（2）针对遮挡人脸检测模型复杂、运行条件苛刻等困难,从知识蒸馏方法出发开展遮挡人脸检测模型轻量化研究,提出了任务自解耦的知识蒸馏方法TSDKD。该方法增添自适应解耦层提取不同任务的特征,并通过差异实例生成模块有选择地对特征进行蒸馏。此外还通过改进的分类蒸馏损失改善了正负样本不均衡问题。上述改进实现了复杂模型到简单模型的知识迁移。（3）在Wider Face和MAFA数据集上进行了复杂遮挡人脸检测实验。实验结果表明MTOFD算法有较好的表现,比基线算法的准确率提高了6%。消融实验发现实例级语义信息相对像素级语义信息更易被学习,语义注意力网络能有效促进多任务学习框架下的特征融合,从而验证了算法思想的有效性。此外设计了遮挡因素分析实验,测试了MTOFD在不同遮挡因素下的检测能力。实验结果表明MTOFD在遮挡大小、遮挡纹理变化下检测能力较好,在遮挡角度变化下则表现不够理想。（4）在Wider Face和MAFA数据集上进行了基于知识蒸馏的遮挡人脸检测模型轻量化实验。结果表明TSDKD的差异实例生成模块优越于采用传统特征蒸馏的方法,更适合多任务框架下的人脸检测。在嵌入式平台上的实验表明,TSDKD训练的遮挡人脸检测模型的规模、速度分别为1.8MB、21FPS,在MAFA遮挡子集上达到63%的准确率,比轻量级网络提升了35%。