随着数字图像处理技术以及智能学习算法的不断发展，人脸检测技术正越来越多的应用到视频监控、人机交互以及电子商务等领域；而所谓的人脸检测过程就是指从静态图像或动态视频帧图像中将人脸对象从背景范围中分割出来，并且指定人脸区域范围的过程。目前，成熟的人脸检测大部分是针对正脸规则样本进行检测，对于多角度的人脸检测，研究和实用的实例较少，因此研究如何进行高效、准确的多角度人脸检测成为研究人员越来越关注的焦点问题。本文首先对已有人脸检测技术进行了总结和归纳，将其划分为基于特征的人脸检测方法、基于模板匹配的人脸检测方法和基于统计的人脸检测方法三类，并指出目前应用最为广泛、精度和效率最好的是基于统计的人脸检测中的基于积分图像特征的方法，由此引出本文的核心算法——Adaboost算法；其次，对Adaboost算法的相关应用基础技术——Haar特征及其扩展和积分图技术进行了深入研究，为运用Adaboost算法进行人脸检测打下基础；同时，还总结了连续Adaboost算法在人脸检测中的应用流程，并就连续Adaboost算法的相关改进工作的进展做了研究和阐述，指出基于查找表型弱分类器构建和基于多重阈值划分弱分类器构建两种弱分类器的改进方法，并指出它们在训练速度上存在缺陷。针对多角度人脸的检测场景，本文研究和实施了多角度人脸划分，将多角度人脸划分为84种，并通过研究Haar特征的特点，将需要通过样本学习而形成的分类器减少至12个，极大的提高了分类器的在训练时的速度；同时，由于整体项目的要求，对人脸检测的总体流程做了相应的改进，增加了图像类型检测、肤色检测、绝对位置检测和相对位置检测四个步骤，最终实现了一个基于连续Adaboost算法的多角度人脸检测系统(CAMFDS)。本文所实现的基于连续Adaboost算法的多角度人脸检测系统(CAMFDS)采用MIT公开的人脸训练样本集做为训练样本，以2157张来自Internet的人脸图像作为测试样本集，针对彩色和灰度、闭眼和睁眼、正常和小眼以及有无眼镜等情形进行了分类测试，测试结果表明，人脸检测的准确率最低达到88.9%，召回率最低达到80.0%，执行效率统计每张图像总流程耗时708.7毫秒，其中包含预处理耗时、Adaboost算法执行耗时以及改进流程耗时。基于连续Adaboost算法的多角度人脸检测系统作为人体周边物体特征提取系统中的重要组成子系统，为整体系统提供了精确和高效的人脸定位，为后续检测模块的顺利实施打下了坚实的基础，人体周边物体特征提取系统目前已验收成功，整体项目已结项，与之相关的发明专利1项已公开。