人脸检测这一应用领域最为广泛的目标检测问题，是图像工程和模式识别研究的热点。人脸检测问题最初是作为人脸识别系统和监视系统的前端而提出的。并随着人脸识别技术在金融、司法、国家安全、电子商务、电子政务等领域的应用，得到持续深入的推广。近年来人脸检测在安全访问控制、视频监测、基于内容的检索和新一代人机界面等领域上的应用价值也逐渐显现出来。现在人脸检测已经远远超出了人脸识别系统的范畴，开始独立受到研究者的重视。 由于人脸在细节上存在非常复杂的变化，诸如外貌、表情、肤色的显著差异，眼镜、胡须、刘海等附属物的干扰，以及无法预测偏射方向的光照影响，因此要从不受限的背景中，快速检测出所需要的目标人脸具有相当的挑战性。本文对传统的人脸检测方法进行了分析与总结，提出了从特征提取到训练检测一套完整的算法流程，并对所实现的识别系统进行了详细描述。 首先提出了一种针对Adaboost进行改进的训练算法——Neighbor-Eliminated Boosting(NEB)。Adaboost算法是目前实践效果最为显著的人脸检测算法，但也存在着诸如分类器的级联结构会导致系统拒真率与认假率的失衡，单调性前提的不成立容易直接造成训练过程的失败等缺陷。NEB算法通过构建一种新的基于双表链接结构的特征描述子存储结构，引入特征相关信息，从而简化了训练过程。实验结果表明以NEB算法为基础实现的人脸检测系统，在训练速度上具有明显的优越性。 另外，提出了基于LBP的新特征形式——LBHF。LBHF(local binary haar feature)对传统的haar-like特征以LBP形式进行联合。这样就能够在haar-like特征的基础上获得LBP的对旋转和形变的稳定描述能力，且计算方便，易于操作。实验证明，该特征形式应用在人脸检测领域，具有卓越的效果。