人脸检测和属性识别在计算机视觉领域有着至关重要的作用。随着深度学习和人工智能的发展,人脸检测成为各大应用算法的前提和基础,如何快速地在复杂应用场景中准确检测出模糊的、小尺寸的人脸是人脸检测近年来关注的热点。在进行人脸检测后,人脸的属性识别可以让人机交互有更多更好的体验。本文旨在人脸检测和属性识别的研究方面做到精度和速度的均衡。在研究了国内外对人脸检测及属性识别的进展之后,本文首先提出了两种快速的人脸检测的方法,一种方法基于单阶快速人脸检测(Single Stage Headless face detector,SSH)算法,对Anchor机制进行调整和改进,将整个网络按照感受野匹配的策略进行调整,利用空洞卷积改进特征金字塔结构,最后通过深度可分离卷积大大降低整个网络的参数和运行速度。在Wider Face数据集上,该算法达到了简单数据集的mAP 0.956,中等难度的数据集mAP 0.933以及困难数据集mAP 0.825的结果。在损失较少精度的情况下,最快速度可以达到每帧耗时16ms。另一种方法基于MTCNN算法,通过调整参数和卷积结构持续提高检测速度,采用IoU持续提升策略进行训练,最终使得改进后的网络结构更为轻量级,实现了简单场景下的可用性。另外,本文在深入研究国内外人脸属性识别进展的基础上,进行多任务人脸表情和性别的分类,在进行年龄识别时,将表情和性别的特征与年龄的特征相融合,对融合后的特征利用主成分分析法(Principal Component Analysis,PCA)进行特征降维,最后利用极限学习机减小训练和测试的复杂度从而完成识别,最终实验效果良好。