作为计算机视觉与模式识别领域的一项重要问题，人脸检测在信息安全、视频监控、人体生物特征识别等技术领域有着广泛应用。2001年Viola等人提出的基于AdaBoost的人脸检测算法同时兼顾了人脸检测的检测率和检测速度，成为目前最为成熟和应用最为广泛的人脸检测算法。本文对基于AdaBoost的人脸检测算法进行了并行化改进，并在NIVIDA GPU上利用CUDA架构进行了加速。在本文的并行人脸检测框架中，首先将原始彩色图像转化为灰度图像，并对灰度图像逐级缩小创建金字塔图像，从而当以固定大小的扫描窗口对金字塔图像进行扫描时，可对各尺度人脸进行检测。该方式可实现子窗口扫描的高效并行。颜色空间转换和图像的逐级缩小均通过GPU并行实现，相较于利用CPU的颜色空间转换和图像逐级缩小，能取得数十至数百倍的加速比。随后，利用金字塔图像在GPU端计算积分图像与平方积分图像。为提高积分图像计算的计算效率，利用了并行前缀求和算法以及图像转置算法，通过两次逐行并行前缀求和与两次图像转置，可以高效计算金字塔图像的积分图像与平方积分图像。相较于基于CPU的积分图像计算，利用GPU计算能取得数倍的加速比。人脸检测阶段，利用扫描窗口并行的方法，通过GPU端核函数对积分图像与平方积分图像进行并行扫描检测。该过程利用常量存储器加载分类器数据，并将积分图像映射至GPU共享内存进行加速。对GPU端的检测结果，本文设计了一种基于bit位表示的高效结果后处理方法。实验结果表明，在检测效率（检测率与误检率）与传统方法相当的前提下，本文并行人脸检测方法的整体计算速度相较于基于CPU的串行人脸检测方法，能取得30倍以上的加速比，对1080P分辨率的视频能做到实时人脸检测。