人脸检测一直是计算机视觉研究中的热点问题。近年来,随着物联网的发展,面部特征作为一种身份信息被广泛应用于电子身份认证,目标监视,安全警报等各类自动化和互联网系统中,是未来智能社会生态中重要的一环。人脸检测的目的是在图片或视频中找到人脸,并使用标签标记出人脸的大小与位置。而在实际检测中,复杂的场景,不同的尺度都给人脸检测带来诸多困难,这导致传统的检测方式并不能在实际的场景中应用。深度学习的应用为人脸检测技术带来了一次革命,其利用深层神经网络强大的拟合能力,人脸检测算法的精度有了大幅度的提高。然而,这些精度较高的算法在检测速度上无法满足实时检测的要求,难以应用到实际场景当中。本文希望利用深度学习理论,在现有的高精度深层神经网络模型上,构建一个新的全卷积神经网络应用于人脸检测算法中,在保证检测速度的同时,进一步提高检测准确率。本文对传统的人脸检测算法和基于深度学习的人脸检测算法进行了探讨,主要介绍了Viola-Jones法和FasterRCNN两种代表算法,针对这两种算法存在的不足,以通用实时目标检测算法YOLOv2为基础,训练得到一个实时的人脸检测器。该人脸检测器速度快,检测率也远远高于传统算法,但其准确率与FasterRCNN相比并没有太大优势。因此依照实际应用的要求,对现有的卷积神经网络模型做出改进,提出了基于残差网络的faceyolo人脸检测算法,并基于其损失函数和图像增强做出改进,最终在FDDB数据集上进行了对比测试,证明faceyolo在原有的高速检测下,进一步提高了检测准确率,同时,其对小脸和多个人脸的检测效果也有所改善。最后,本文在faceyolo算法的基础上构建了一个可以进行图像人脸检测和调用摄像头实时人脸检测的人脸检测系统,可对算法的检测效果进行测试,也可投入实际应用当中。