目标检测是计算机视觉中的重要基础研究课题之一。其应用领域十分广泛,包括智能安防、智能家居、智能交通、医学图像等。随着近几年深度学习的飞速发展,目标检测的性能已经取得了重大的突破,在众多公开数据集上超越了传统方法。姿态估计也是基础课题之一,特别是头部姿态估计,可以应用在三维人脸建模、人机交互协作、虚拟现实等领域。自动驾驶技术的发展更离不开上述两个技术:行人、车辆检测、行人行走路线预测等。传统的目标检测是利用滑动窗口进行区域选择,该策略没有利用先验知识,导致时间复杂度很高,产生许多冗余窗口;其手工设计的特征对于目标的变化不够鲁棒。基于卷积神经网络的方法很好的解决了上述两个问题。但是现有技术在一些常用数据集上却没有很好的表现,主要原因在于对于遮挡、截断等复杂情况下的目标检测不够精准。同时,具有较高精度的基于区域提名的方法一般速度都很慢。本文提出了一种利用子类信息的卷积神经网络的精确快速的目标检测方法,在保证检测精度的同时,提升原有检测方法的速度。其速度和精度在多个数据集上达到了很好的平衡。头部姿态估计研究如何从图像推断头部朝向的问题,即求出俯仰角、偏航角、翻滚角三个姿态角。本文利用子类信息,提出了一种快速精确的能同时进行人脸检测和姿态估计的深度学习框架。人脸检测借鉴了基于区域的目标检测框架Faster RCNN,并融入了子类信息。同时子类信息还提升了头部姿态估计的性能。具体地,把估计问题同时看作分类问题和回归问题:首先把数据库中的姿态通过聚类生成不同的姿态类(即子类),然后对每个类别训练一个回归器来精修最后的姿态角度值。其中检测中的分类和估计中的分类及回归都是在同一个网络下训练和测试。该方法运行速度达到10fps,是目前提出的所有方法中最快的一种。实验证明提出的方法在常用的数据库中都取得了相当或更好的性能。