人脸检测技术是人脸对齐、人脸识别等人脸相关任务的重要支撑,在现实生活中有广泛应用。现有人脸检测模型可以分为深度人脸检测模型和传统人脸检测模型两类,虽然前者在性能上远超后者,但它们难以在现实生活中应用。以深度人脸检测模型MTCNN和Face Box为例,虽然这两个模型能在个人计算机上实现实时检测,但嵌入式设备等资源受限设备存储空间少,所以它们难以被部署在此类设备上。因此,需要对这两个模型进行压缩以减少其计算量和参数量。然而,现有方法仅针对分类模型进行剪枝,而MTCNN和Face Box是检测模型,二者的网络结构与分类模型差异较大。直接使用现有方法对MTCNN和Face Box剪枝会导致模型性能损失严重。为此,本文根据二者的网络结构特点,分别对MTCNN和Face Box的压缩进行研究。本文主要研究内容可概括如下。首先,现有方法对级联结构的MTCNN中各模型设定相同剪枝率,导致剪枝后模型性能损失严重。针对该问题,本文首先提出一种针对性的剪枝策略,根据MTCNN中各模型关联以及冗余程度设定不同剪枝率。同时,为进一步降低MTCNN剪枝后的性能损失,本文基于知识蒸馏方法提出一种剪枝模型的微调方法,使用原始模型指导剪枝模型的微调过程。最后,我们还提出一种结合通道剪枝和模型量化的深度人脸检测模型压缩框架,利用低比特量化显著减少剪枝MTCNN的模型大小。其次,Face Box的网络结构与分类模型的网络结构差异较大,直接使用现有方法进行剪枝会导致模型性能损失严重。针对该问题,本文首先提出一种一阶段深度人脸检测模型的通道剪枝方法,利用模型输出分支筛选模型骨架网络中区分能力强的卷积层通道进行保留,降低剪枝Face Box的性能损失。然后,为进一步降低Face Box剪枝后的性能损失,本文针对此类模型的结构特点,基于知识蒸馏方法提出一种利用中间层输出信息的微调方法,结合原始模型中间层输出和原始模型输出共同指导剪枝模型的微调过程。此外,我们同样使用低比特量化以显著减少剪枝Face Box的模型大小。最后,我们通过实验验证了本文提出的压缩方案能够有效减少深度人脸模型的计算量和模型大小,并且不会造成明显的性能下降。