随着科技的不断进步，在许多领域都有自动化实现人脸识别的应用，这也使得人脸检测成为模式识别的一个研究热点。虽然现在已经出现了可以运用在实际应用中的算法，但是这些算法仍然有许多可以改进的地方，例如检测速度、检测准确度、在不同环境条件下的检测质量等方面。　　在查阅大量前人有关人脸检测算法的基础上，本文着眼于利用一种简单可行的图像描述办法，来达到快速准确地检测到图像中的人脸。本文采用常见的特征提取加分类器分类的模式识别框架，通过实验对各个步骤进行优化并选择最优策略，最后与 OpenCV的人脸检测算法进行对比，并举例说明了本文所提出方法的优点与不足。　　第一步，在特征提取步骤中，本文介绍了局部二进制模式特征和它的一些衍生特征，分别介绍了这些特征的定义和计算方法。并且通过不断地实验，最终得到一种行之有效的人脸图像描述方法，即通过不同的局部二进制模式特征来描述图像不同位置不同纹理的信息，最后合并成一组人脸检测特征。　　第二步，在特征降维步骤中，本文利用了线性判别式分析的方法。该方法可以对特征维数进行降维，以便减少之后的分类时间。观察降维到不同维数情况下F1分数值的变化，确定最适合于本文人脸检测方法的降维维数。　　第三步，在图像分类的步骤中，本文选择了速度快准确度高的Adaboost分类器。根据本文问题所提取出的特征性质，选择合适的决策树作为弱分类器。通过在不同数目弱分类器情况下进行的测试实验最终确定最优的弱分类器数目，确保速度和准确度达到平衡点。　　第四步，将分类出来的人脸整合。本文采用聚类的方法来进行整合，选择了一种不需要事先指定聚类个数的聚类方法——基于密度的聚类算法DBSCAN。　　最终，使用本文介绍的人脸检测算法可以将描述人脸的特征维数降低很多，并保持很高的算法精度和较快的算法速度。本文所采用的特征继承了局部二进制模式的对光照不敏感的优点，最终的人脸检测算法在不同光照条件下的检测结果要好于流行算法。相关实验结果表明，本文所提出人脸检测方法是行之有效的。