人脸是人类表达情感的重要载体，具有丰富的生物信息。人脸识别、人脸跟踪和表情识别技术广泛应用于身份认证、视频监控和人机交互等应用领域。人脸检测技术是人脸识别、人脸跟踪及表情识别等技术的基础，其效率直接影响后继处理的准确性。2001年Viola和Jones提出了基于Adaboost算法的正面人脸检测方法，首次实现了实时的人脸检测，是人脸检测技术的里程碑。但在实际应用环境中，大部分人脸不是正面人脸图像而呈现为多种姿态，正面人脸检测技术不能完全满足实际应用系统的需求。近几年来多姿态人脸检测问题被重视起来并成为模式识别领域的研究热点。　　本文针对彩色图像中的多姿态人脸检测问题作出了一些探讨，主要研究工作体现在以下三个方面：　　（1）针对肤色分割问题，给出了一种基于Real Adaboost算法的肤色分割方法。首先根据肤色在YCrCb颜色空间的聚集性，利用Real Adaboost算法训练一系列LUT型圆形肤色弱分类器，组成肤色强分类器。然后使用动态阈值对肤色相似图进行二值分割得到肤色二值图，并对其进行形态学处理确定输入图像中的肤色区域。实验表明该方法具有较高的肤色分割效率。　　（2）针对多姿态人脸检测问题，给出了一种基于最优矩形权值Harr-lik e特征的多姿态人脸检测方法。首先对基于Adaboost算法的正面人脸检测方法进行了分析。然后从四个方面对正面人脸检测方法加以改进以实现实时多姿态人脸检测，包括改进的WFS树形检测器、基于Vecto r Adaboost算法的强分类器训练算法、最优矩形权值Harr-like特征、基于最优矩形权值特征的LUT型弱分类器及其学习算法。实验表明该方法具有较高的效率和检测速度。　　（3）将基于Real Adaboost算法的肤色分割方法与基于最优矩形权值Harr-like特征及Vecto r Adaboost算法的多姿态人脸检测方法相结合，给出了一种基于肤色及Vecto r Adaboost算法的多姿态人脸检测方法。该方法首先利用基于Real Adaboost算法的肤色分割方法确定输入图像中的肤色区域，然后在肤色区域内进行人脸检测。实验表明该方法减少了背景区域对人脸检测的影响，降低了虚警率。