人脸检测是人脸识别技术中的关键一步,在计算机视觉领域中有着许多研究与应用。在大多数研究工作中,实际场景环境会影响人脸图像采集,如光线、遮挡等,还有自身的姿势、站位、拍照方式都对人脸检测的准确率存在一定影响。大多数人脸检测模型对这些问题进行了研究但表现未到最优。本文通过对人脸检测技术进行研究,构建基于深度学习的人脸检测模型,对图像进行自动特征提取,提取出更加有利于对人脸进行检测的特征,从而解决外部环境和自身因素对人脸检测的影响。本文首先介绍了人脸检测流程,包括候选区域选择、特征提取、分类器分类等步骤。按照该过程进行研究工作,从图像上更准确地选取出可能存在人脸的候选框;然后利用深度学习技术对候选框中的图像提取特征,提取出更加具有人脸代表性的特征;最后使用分类器来对提取出的特征进行分类,判断该图像中是否存在人脸。论文的主要内容如下:（1）针对外部环境对人脸检测算法的干扰问题,本文提出基于肤色区分的卷积神经网络人脸检测算法。首先使用仿射变换进行人脸对齐,然后使用参考白算法对图像进行光线补偿;利用基于YCr Cb空间的肤色检测提取人脸特征,最后利用卷积神经网络结合Adaboost算法训练生成分类器。在遮挡、多姿态情况下,本章算法能够保持较高的准确性,并具有较强的鲁棒性,检测准确率达到98.6%。（2）由于传统的基于图像金字塔机制的人脸检测算法,提取出的高层次语义特征往往丢失了人脸细节信息,而低层次特征具有人脸的细节信息。为进一步提高人脸检测算法提取出的特征对人脸的表达能力,并解决人脸复杂性对人脸检测算法性能造成的影响。本文提出了基于改进注意力机制的多层融合算法,从而获得具有更多低层次细节以及高层次抽象的高级特征向量,以此来提高特征向量的丰富性以及代表性,避免人脸复杂性与外部环境对人脸检测算法的干扰。该算法将深度学习理论与基于部分模型的思想相结合实现人脸检测。（3）采用Tensor Flow深度学习框架来搭建人脸检测平台,在此平台上部署本文所提出的人脸检测模型,以此来进一步验证本文所提算法模型的有效性以及实用性。