随着深度学习在计算机视觉领域的应用,人脸检测技术得到了高速发展。人脸检测的目的是在输入的图片中,找到所有存在的人脸,并标注人脸的位置和大小。但是在实际应用应用场景中,多样的表情、姿态、光照、场景、尺度等各种挑战下。传统人脸检测算法的效果并不十分理想。研究人员们从传统使用Adaboost检测算法中得到启发,提出了大量基于深度卷积神经网络的算法。其中包括训练多个滑动窗口内的人脸分类器网络,以及端到端的训练人脸检测器算法等各种算法。我们希望找到一个基于现有的高精度全卷积神经网络骨架的人脸检测算法,进一步提高检测的正确率。本文先使用了最新的通用物体检测算法训练了全卷积网络的人脸检测模型,后在此基础上做了针对人脸检测的改进,提出了多尺度位置敏感人脸检测全卷积神经网络(FaceRFCN),分类时结合网络的低层高层特征图,并采用多尺度候选框,增加了输入图片的随机模糊,处理了模糊人脸和小人脸的问题,提高了算法的召回。在现有的人脸检测算法对比下,本文提出的模型,精度更高、速度更快,在几个人脸检测数据集上,都达到了世界先进人脸检测算法的水平。