深度学习是近几十年全球瞩目的焦点,基于卷积神经网络的人脸检测研究逐渐取代人工模板传统方法,获得了更全面、充分地发展。基于深度神经网络的人脸检测方法倡导自主习得面部特征,按照是否存在区域提议过程可大致划分为两步法和一步法。两步法只有在生成了候选区域后才进行分类和回归,是粗到精的过程,检测精度高,更适用于多分类场景,如植物、汽车等。人脸检测是典型的二分类问题,且在实际应用中对实时性有一定要求,而两步法建模相对复杂且运行效率相对较低。一步法的系统部署直观,一步完成预测,检测速度快,在准确率上仍有较大提升空间,具有较高的科研价值。因此,本文将在一步法的基础上,针对人脸检测研究在无约束场景下面部特征提取和利用不充分、实时性与准确率难以权衡等问题,设计专门的模块、策略对算法进行改进。以下是本文的主要创新点:1.为应对面部特征提取不充分、利用不充分的问题,提出了基于上下文推理的人脸检测方法。该方法通过低层级特征金字塔网络加权地融合不同层的特征,提取更具表达力的描述信息,并在预测环节采用上下文辅助预测模块扩充子网络以加深、加宽网络模型,较好地弥补了未被充分提取的面部特征;引入自适应锚点取样的数据增强方式和多尺度训练方法,增强了模型对尺度的适应力,进而提高对面部特征的利用率。经实验验证,基于上下文推理的人脸检测方法在WIDER FACE、FDDB这两个权威基准上的性能相较于同等级模型大小的已有方法均有较大提升。2.鉴于上述方法中仍存在无约束人脸的面部特征提取模式单一的问题,提出了基于特征强化的渐进式级联人脸检测方法。在关注上下文线索的基础上,该方法着重挖掘当前层特征,利用特征强化模块实现双分支架构,并相应地设计出渐进式损失函数以匹配各分支、层级特征图的渐进学习能力,丰富了面部特征的提取模式。该方法在面向小尺寸锚点密集采样所导致的样本分布失常的问题时,应用Max-Both-Out策略,并搭建迭代式级联结构,设置子检测器的交并比（Io U,Intersection over Union）阈值逐步递增,为各阶段匹配更合适的样本分布。经实验验证,基于特征强化的渐进式级联人脸检测方法在WIDER FACE、FDDB这两个权威基准上的准确率均超越了上述方法,性能又有了显著的改善。3.以工业级实时的算法模型为出发点,提出了基于任务指导的轻量级人脸检测方法。由于实时性与精确度难以两全,在两者之间权衡,一方面通过轻量级骨干网络在有限尺度空间内尽量保留原有特征,另一方面引入关联锚点,以半监督方式生成人脸周边的头部、身体信息,辅助目标人脸的检测。该方法可缓解不同层特征映射之间的相互干扰,利用特征整合模块阻止高层语义对低层细节的破坏,并精简计算;在推理时应用任务指导型策略,将分类和回归分而治之,避免判别力不足的低层特征映射参与位置回归,实现算法模型的高效化。经实验验证,基于任务指导的轻量级人脸检测方法在WIDER FACE、FDDB这两个权威基准上,尤其在检测中、低难度的人脸时,均达到了目前的先进水平。本文所述算法的推理速度均已达到实时性、甚至工业级实时性的标准,在全文的最后指出了上述这些算法的不足之处,并列出了可供进一步深化的方向。