人脸检测是确定在给定的图像上是否存在人脸,并且在有人脸的情况下返回每个人脸在图像中的位置。该技术又是多种面部分析算法的基础,因此其在图像检索、智能监控等领域有广泛的应用意义。而相较于受控环境,非受控环境更接近于现实世界,因此在非受控环境下的人脸检测就尤为重要。随着深度学习的发展,非受控人脸检测方法在性能方面取得了巨大进步,但其仍不能覆盖部分简单场景以及极端场景下的人脸。因此,如何提高上述场景下的人脸检测精度是当前亟待解决的问题。针对该问题,本文提出两种基于卷积神经网络的非受控人脸检测算法。主要工作如下:一是基于自平衡学习的非受控人脸检测算法（SBL-Net）。首先,由于特征金字塔中的低层特征图对应样本数量要远大于高层特征图,因此各层在训练中失衡。针对该问题本文提出自平衡学习模块来平衡各层的训练。其次,分类置信度可能并不适合作为分类任务的预测值。针对该问题本文将预测分类置信度的损失替换为预测交并比的损失,并引入排序损失进行联合优化。最后,在训练过程中通常会出现具有高回归能力的负样本,但该类负样本并未得到利用。针对该问题本文提出单分类标签分配方法,将该类负样本加入到分类任务中训练。实验结果表明,SBL-Net在Wider Face数据集的Hard集上,单尺度测试下达到了93.05%。该结果优于其余单尺度测试模型,并且仅次于一种多尺度测试模型。同时,SBL-Net的检测速度要快于多尺度测试模型。二是基于交并比排序预测的非受控人脸检测算法（IRP-Net）。针对上述SBLNet所存在的问题,本文对该算法进一步改进。首先,SBL-Net中预测交并比的损失效果较差,其原因在于人脸与通用目标间存在差异。为此本文对该损失进行改进,使其更契合人脸场景。其次,针对SBL-Net中单分类标签分配方法对高回归能力样本利用程度低的问题,本文提出自分配高回归能力样本模块来对样本进行更全面的评估。实验结果表明,该算法相较于SBL-Net在简单场景下的检测能力有进一步提升,同时保持了极端场景下的检测能力,且进一步提升了检测速度。