人脸检测是指在一幅指定图像中，在不考虑人脸的三维姿态、光照条件等条件下，发现人脸大小、位置信息的过程。人脸检测是一项艰巨的工作，主要原因是人脸特征在人脸模式中的提取是一项非常艰巨的工作。人脸特征随着人脸在不同姿态、不同光照和其它如遮挡、不同成像条件下，会产生许多不同的情况，增加了特征提取的难度。 本文对基于学习的快速人脸检测方法进行了讨论。基于学习的快速人脸检测方法是人脸检测技术发展的趋势之一，它是一种基于后验学习的方法。 本文认为，在基于学习的快速人脸检测方法中，有三个需要研究的要素，分别是学习算法、特征的定义及基于此特征形式构造分类器的方法和特征的有效组合方式。基于学习的人脸检测方法框架依据此三要素而搭建起来。这种方法首先定义一种特征形式并基于此特征形式使用构造分类器的方法构造出可以进行初步人脸检测的多个弱分类器，这些弱分类器经过学习算法的挑选和组合，作为学习算法的输入生成强分类器，进行人脸检测。快速的人脸检测还有一个重要任务就是将这些弱分类器有效地组合起来，提高人脸检测的速度。本文对基于学习的检测算法中的三个要素分别展开了讨论，重点研究了由特征构建分类器的方法和构建快速人脸检测系统所必需的弱分类器的组合，关于特征构建分类器，提出了一种新的基于人脸对称性的由特征构造分类器的方法。 最后本文运用基于Adaboost学习算法和Harr-like特征及本文提出的由特征构造分类器方法，采用一种分级分类器的结构，搭建了一个快速的人脸检测系统。此人脸检测系统在大小为320~*240的图像上，检测速度可达到10帧以上，同时检测率在90％以上。