Adaboost算法通过组合多个弱分类器获得强分类器,能够有效提高分类准确度和一定的抵抗过拟合能力。Adaboost算法简单,检测快速,在人脸检测、信号分类与检测等方面具有较广的应用。然而Adaboost算法在多个方面还存在不足,如大规模样本下训练时间很长、抵抗噪声能力较差尤其是分类标签误差会严重干扰分类器的效果等。目前已有多种思路和类型的改进Adaboost算法,如gentle-Adaboost、xgboost等,在分类性能、训练速度、过拟合抵抗等方面获得了较好的改善。本文对Ada Boost算法分析后研究了优化改进的方法,结合粒子群算法进行Ada Boost算法的分类器训练、检测方法设计等方面的优化改进,本次Ada Boost算法执行分类时用Haar-like特征进行相关数据的采集,研究改进主要体现在以下几个方面。（1）针对Ada Boost算法在弱分类器训练过程中耗时长的问题,研究了结合粒子群算法训练弱分类器的方法,以粒子群算法快速的寻优搜索方式取代Ada Boost算法传统的穷举搜索方式,很大程度提高了弱分类器的训练速度。（2）针对传统Ada Boost算法训练的弱分类器质量低、误检率高等问题,研究了基于双特征型弱分类器设计的方法,以改进弱分类的质量,减少强分类器中弱分类器的数量,提升整体算法的性能。本文算法的改进是在基于粒子群算法的基础上进行,改进的双特征弱分类器由两个最优的特征组成,通过粒子群算法的特有寻优能力,寻找两个最优的特征组合,形成性能最优的弱分类器。（3）针对Ada Boost算法在检测过程中检测窗口逐步放大遍历整张图片的检测方式耗时长、检测效率低等问题,研究了基于粒子群寻优的最佳检测窗口选择方式,针对性的选择检测窗口大小,提高检测速度。（4）传统Ada Boost算法检测窗口在遍历时往往以固定的步长穷举的方式遍历完整张图片,此步进方式也是影响检测速度的一大关键问题。因此本文研究了基于粒子群寻优的最佳步长选择思想,通过粒子群算法搜寻最优的步进策略,提升检测效率。本文提出的算法在MATLAB平台上进行仿真实验,结果表明通过本文算法训练弱分类器耗时少,单个弱分类器的质量有所提高,组建的强分类器性能提升,整体算法的检测速度和检测率有所提高,算法的误检率下降。