人脸检测的研究具有十分重要的学术价值，其过程就是给定任意的一幅图像，确定其中是否包括有人脸。 本文首先通过对PAC学习模型的弱学习和强学习进行描述，然后引出经典Adaboost算法，并介绍了该算法的过程。针对经典Adaboost算法存在训练速度缓慢、检测结果过分依赖训练样本的现象，本文提出了一种改进的人脸检测算法，该算法利用简化特征来提高训练速度，引入样本扩充、考虑错误分类产生的代价来提高检测效率及准确率。 本文所涉及到的实验主要是对Adaboost算法进行了适当的改善并编程实现了人脸检测的过程。在进行检测之前，首先研究了PAC学习模型的基本思想和基本算法过程。在熟悉掌握了Adaboost算法原理的前提下，分别实现了Adaboost算法的训练过程和检测过程。其次，鉴于Adaboost算法的训练过程时间过长，研究中对特征数量进行了优化：本文提出离线剔除或在线优化的方法减少不必要的特征模板以提高训练速度；再次，考虑到经典Adaboost算法没有将误检和漏检人脸的现象区分对待，本文提出使用分类错误代价将误检人脸同漏检人脸赋予同样的错误代价以提高检测效率；最后，提出使用样本扩充的方式(即将上次误检的人脸作为训练样本放入到下一次新样本集中)优化了训练样本，以此降低算法的误检率。 最后详细介绍了实验的过程，以及实验的效果：同使用经典Adaboost算法进行人脸检测的效果进行对比，实验结果表明：该算法在性能上要优于经典Adaboost算法，并具有较快的训练速度和良好的检测性能。事实上，该算法还具有一定的通用性，通过改变训练样本集就可以用来检测其他物体。