人脸检测技术是计算机视觉、人机交互和模式识别等领域中的一项重要研究内容，是实现人脸识别、人脸跟踪、人脸编码等技术的前提。人脸检测技术的研究涉及到图像处理、模式识别和人工智能等多个领域，在身份验证等领域具有广泛应用前景。　　 本文主要对Adaboost算法及其在人脸检测中的应用进行研究。分析了机器学习算法Adaboost的基本原理、收敛性能和泛化能力，以Adaboost算法为理论基础，训练得到用于检测人脸的级联分类器。分析研究了不同的人脸检测技术，针对人脸检测计算量大、速度慢、误检率高的问题，采用了一种改进的训练分类器的人脸检测技术：逐层放大检测窗口，再对检测窗口内的图像进行模式匹配。这种策略可以避免直接对图像进行缩放变换，减小了计算量，提高了检测速度。在YCbCr空间建立单高斯肤色模型，获得肤色似然图，实现了对分类器检测得到的人脸候选区域的肤色验证，进一步降低了误检率。实验结果表明：训练样本的多样性、数量选择以及训练样本中人脸样本和非人脸样本的比例是影响人脸检测分类器性能的关键因素；在样本种类及数量比例选择合适的前提下，训练得到人脸分类器检测人脸可以达到良好的检测效果；通过肤色对人脸分类器检测得到的人脸候选区域进行验证，能够有效地去除误检区域，降低误检率。