人脸检测是许多相关应用的前提,它的性能将直接影响后续操作的效果。目前,人脸检测算法已经取得了较好的发展,但对大角度人脸和模糊人脸等仍有漏检情况,同时,检测速度也需要进一步提高。因此本文提出了基于Anchors优化的单阶段人脸检测算法,主要内容如下:首先,基于SSD检测框架设计了一个轻量级卷积神经网络,该网络结构主要由标准卷积、深度可分离卷积、Inception模块等组成,并采用maxout背景标签的方法降低假正率,在一定程度上减少正负样本不平衡问题。同时设计大范围锚相关层,提高该算法对人脸尺寸的鲁棒性。实验结果表明,本文设计的网络结构是合理的,其检测性能优于其它基础网络结构,且模型参数量更少。然后以该网络结构为基础,对算法进行进一步优化,主要包括以下四项:（1）模拟人的视觉机制,在Inception模块中加入空洞卷积,其中不同扩充率的空洞卷积对应不同的离心率,使得离中心较近的位置具有较高的权重,进而增强特征图的语义信息。（2）设计特征层次结构,将深层特征中的高级语义信息通过自底向上网络结构传回,然后与自顶向下的特征图进行结合,增强特征图的语义信息以及位置信息,使得特征金字塔中所有尺寸的特征图都具有丰富的语义信息,进而提高检测器的检测性能。（3）在特征层次结构的基础上采用anchors级联优化方法,用位置精细化后的anchors对下一层级的anchors进行初始化。同时不同层级采用不同的IOU阈值进行anchors匹配,逐步提高anchors质量,进而提高检测器的检测性能。（4）采用负样本筛选机制,将容易分类的负样本筛除,在一定程度上减轻容易分类的负样本带来的不平衡问题。最后,在几个人脸数据库上对本文算法进行验证。实验结果显示,本文提出的人脸检测算法对小尺寸人脸、大角度人脸、模糊人脸等都具有一定的鲁棒性,并且具有较好的检测速度。在FDDB数据库上,当误检数为2000时,召回率为96.50%,在AFW和PASCAL FACE人脸数据上的平均准确率分别为99.01%和97.8%,在Tesla K80 和 cuDNN v5.1.10上的测试速度为14 FPS。