人脸及其关键点检测技术作为人脸识别、年龄估计等人脸分析任务之前的重要步骤,一直以来都是计算机视觉领域的重要研究内容之一。人脸检测是在图像中定位人脸的位置并确定其大小,人脸关键点检测是进一步对人脸区域内具有语义特征的关键位置进行定位,两个任务的检测速度和精度都会影响整个人脸分析系统的性能。随着深度学习技术的发展,人脸及其关键点检测技术都达到了较高的水准。但目前的大多数算法致力于通过改进网络结构来提高人脸检测或关键点检测单个任务的性能,而忽略了两个任务之间的关联性,本文着重于研究基于多任务学习的人脸及其关键点检测算法来提高人脸检测的性能,提出的结合多任务学习网络的级联回归算法能进一步改善关键点定位的效果。首先,基于特征金字塔结构设计了一个人脸检测网络,并为其添加了人脸关键点检测分支,进行多任务学习。鉴于目前没有同时广泛应用于人脸检测与关键点检测的数据集,设计了一个关键点检测网络来为人脸检测数据集自动生成关键点标签,然后应用生成的数据集训练多任务学习网络。由于自动生成的关键点标签精度有限,并且为了平衡两个任务的损失,设计的多任务学习网络预测了人脸的5个关键点位置。实验结果表明,设计的人脸检测网络与多任务学习网络都达到了较好的检测效果,并且采用多任务学习技术能够有效改善人脸检测的效果。随后,考虑到多任务学习网络仅仅预测了人脸的5个关键点位置,不够精确,研究使用级联回归算法进一步修正关键点定位的结果,同时定位得到更多的关键点。由于级联回归是一种迭代更新的算法,定位效果容易受初始形状质量的影响,并且无法对夸张表情、极端头部姿态等复杂场景下的关键点进行定位,而深度神经网络不易受此类干扰的影响,本文提出利用多任务学习网络检测的5个关键点仿射变换出68个关键点作为级联回归的初始形状。实验表明,多任务学习网络初始化的级联回归算法对复杂脸型关键点的检测更鲁棒,可以提高关键点定位的精度。