人脸检测是计算机视觉领域的一项具有研究价值与应用价值的重要课题。它是人脸识别的前提，如今已成为一项独立的技术被广泛应用到军事、刑侦以及公共安全领域中。但由于人脸图像信息本身的复杂性，人脸检测的计算复杂度较高，使得提高检测速度与提高检测精确度成为相互矛盾的关系，目前已有的众多人脸检测算法也往往顾此失彼。所以，如何降低计算复杂度也就成为了提高人脸检测技术实用性的一个关键。　　图像信息是多维的复杂的信息，选取合适的图像特征信息是人脸检测的重要步骤。所选取的图像特征必须能够较好的表达人脸中较稳定的特征信息，比如眼睛、嘴、鼻子等器官的结构特征。相比全局特征，局部特征能够更好的降低信息冗余。本文研究了多种局部特征算法，经过对比，最终采用SURF局部检测子作为提取人脸信息的局部特征。通过实验，可以证明SURF局部检测子能够有效的表达人脸的结构信息，且采用积分图的方法进行运算，降低了计算复杂度。　　现实场景图像往往会存在目标尺度的缩放、光照变化、目标遮挡等众多较为复杂的状况，这些状况会对检测结果造成很大的影响。由于SURF检测子的空间金字塔结构，其对于图像尺度的缩放有很好的适应能力。目标检测问题在机器学习领域可以视为一个二分类问题。即把图像的各部分划分为目标及非目标两部分。随机森林已被证明是一种对大的高维数据有效，不易出现过度拟合且对噪声鲁棒的分类器算法。ISM隐式形状模型构建无监督码本，采用Hough投票的方法进行目标定位也是一种极为有效的目标检测算法。综合其优点，采用Hough森林分类器，即给定正负样本数据，采用随机森林算法训练分类器，构建码本模型，并采用Hough投票的方法对人脸目标定位。通过实验，可以证明该方法能够有效适应光照变化以及目标遮挡的状况。　　本文的主要贡献：提出了一种基于快速鲁棒特征SURF与Hough森林的人脸检测算法，以实现在复杂场景中的人脸检测与定位。采用SURF局部检测子构建Hough森林分类器，即对训练样本数据连续的进行分类，构建决策树，直到决策树停止生长，生成叶子节点。Hough森林包含多棵决策树。每个叶子节点存储类别信息与特征点到达目标中心的偏移量，在图像局部外观与Hough投票之间建立映射关系，生成有监督的判别式的码本。在检测阶段，对测试图像提取SURF局部特征，通过Hough森林分类器，根据到达的叶子节点获得可靠的概率Hough投票，以此预测目标中心位置，提高了检测精度。与此同时，采用SURF局部特征提取图像兴趣点有助于减小计算量、加快检测速度。实验证明了所提算法的有效性。