Adaboost算法是目前较流行的机器学习算法,其通过构建一系列弱分类器组合成强分类器的方式广泛应用于人脸检测等领域。对于目前AdaBoost算法存在的训练时间过长难以收敛,检测精度不佳,噪声敏感等问题,本文从特征分布拟合角度设计了多项式拟合型弱分类器,通过拟合寻优的方法在减少弱分类器的同时提高了检测精度。又从模糊综合评价角度,设计了模糊评价弱分类器,有效提高了强分类器的鲁棒性。将改进后的算法应用于人脸检测,提升了其检测性能。主要研究工作包括:首先,针对AdaBoost算法通过最小化训练错误率来选择弱分类器造成的精度不佳问题,以及单阈值作为弱分类器训练过程较慢难以收敛问题,提出了一种基于多项式拟合弱分类器的AdaBoost算法。首先针对每个特征,在特征值与标记值之间建立映射关系,引入最小二乘法求解拟合多项式函数,并转换成离散分类值,从而获得弱分类器。其次从获得的众多弱分类器中,选择分类误差最小的弱分类器作为本轮迭代的最佳弱分类器,构成新的AdaBoost强分类器。算法极大地减少了待选弱分类器个数,有效降低了样本训练的时间复杂度,并在检测精度上有所提高。其次,针对AdaBoost算法在训练过程中对噪声数据敏感影响其分类性能的现象进行优化,提出了一种基于模糊综合评价的AdaBoost算法。首先把训练样本集中的每个特征的特征值分布曲线进行分割,成为多个高斯单峰函数,每个高斯单峰函数对应一个模糊隶属度函数,离散化后构建单因素矩阵集合。然后依据单因素矩阵来构建模糊综合评价模型,改变评价指标权重向量进行搜索寻优,选择总误差最小的权重向量和单因素矩阵集构成的模糊评价弱分类器作为本轮迭代的最佳弱分类器,组合构成新的AdaBoost强分类器。算法能够接受样本特征值在一定范围内的变动而不改变标记值,对于学习噪声样本具有更好的容错能力,从而有效提高了分类器的鲁棒性。最后,应用AdaBoost人脸检测算法在嵌入式平台设计了人脸检测系统,为了解决人脸检测系统在实际复杂场景下可能存在的误检和漏检的问题,结合优化后的AdaBoost算法进行改进,研究改进后的算法在人脸实时检测精度和抗噪性能上的优化。综上,本文在现有AdaBoost人脸检测算法的基础上,研究了基于多项式拟合型弱分类器和基于模糊综合评价弱分类器的AdaBoost算法,并将算法应用在人脸检测上,通过实际应用验证了算法在性能上的改进。