人脸检测属于计算机视觉的重要研究方向之一。其在自动化与信息化深度融合的当下被广泛应用于工业生产、社会生活、安防监控等重要领域,并仍然面对包括运行速度和检测性能上的诸多挑战,具有很好的发展潜力。本文就深度学习框架下的人脸检测在拍摄条件复杂的实际应用场合下存在的部分困难问题做了以下探讨:(1)研究了经典的基于AdaBoost算法的传统人脸检测方法以及基于深度学习的人脸检测方法。通过分析算法原理和在复杂条件数据库中进行测试的方式,比较了算法之间的性能差异,讨论了级联浅层卷积神经网络结构融合深度学习和传统方法特性以获得检测能力与运行效率之间良好平衡的做法的优势。(2)讨论了人脸检测算法面对复杂条件中遮挡问题的性能提升方法。改进了一种分块交叉熵损失函数,研究了一种软式非极大值抑制方法,并生成了困难遮挡训练样本。分别从损失函数、边框筛选、数据驱动的方式协同提升了网络对于遮挡目标的检测能力。(3)讨论了人脸检测面对复杂条件中小目标检测与常规尺寸目标检测的不同之处与困难所在。研究并改进了一种分支级联卷积神经网络结构,并利用小尺度目标的上下文增广信息进行分支网络训练,提升了算法对于小尺度目标的检测能力。同时研究了困难样本挖掘为神经网络性能带来的提升效果。(4)在实际应用场合中将检测算法与跟踪算法结合,高效地对视频人脸进行抓取。研究并改进了一种将平均点锐度特征与卷积神经网络交叉熵置信度融合的人脸图像质量评价指标。构造了一个面向视频监控的实时人脸抓取与高质量人脸推送模块,并在真实监控视频数据中验证了本模块的功能有效性以及本文提出的人脸检测方法的实际可应用性。