随着计算机技术的快速发展,人脸检测技术作为计算机图像处理和人工智能技术的一个重要分支,受到越来越多的关注。基于统计的AdaBoost人脸检测算法是目前用于实时对人脸进行检测并且检测率较高的方法之一。但由于基本AdaBoost算法存在着样本训练时间过长、检测虚警率过高等问题,所以在实际应用中受到了限制。本文引入复杂网络理论中的一些特性,用来改善粒子群的网络拓扑结构,提出了一种基于复杂网络的粒子群算法,并将该算法用于改进AdaBoost算法,以达到减少训练时间和降低检测虚警率的问题。实验结果表明,改进后的算法不仅缩短了样本训练时间,同时也提高了人脸检测率。本文的主要工作包括：(1)针对高维空间寻优迭代过程中,标准粒子群优化算法存在后期收敛速度缓慢和易陷入局部最优的问题,本文提出了一种基于有向加权复杂网络的自适应粒子群优化算法。利用类小世界网络作为粒子群初始化的拓扑结构,并引入有向动态网络进化机制,使粒子拓扑结构在入度服从幂律分布的条件下向类无标度网络进化,从而提高了粒子之间学习方式的多样性,避免了粒子过早陷入局部最优。(2)针对传统AdaBoost算法中Haar灰度特征自身的局限性以及算法训练耗时的问题,本文提出了一种基于复杂网络粒子群算法改进的AdaBoost算法。利用提出的自适应复杂网络粒子群优化算法对样本训练阶段中弱分类器的选择进行全局优化,同时重新调整样本的权值更新规则,加入了误分类代价系数,避免了样本权值扭曲现象。其次重新定义了弱分类器加权参数的求解公式,保证了算法在高检率的前提下也能够获得低误检率。最后算法在设计粒子群适应度函数的过程中考虑了分类器相关程度的影响,减少了相关性很大的弱分类器进行级联的可能性,提高了算法的检测率。