基于机器学习的方法由于其好的检测效果而成为现在主流的人脸检测方法，然而，和其它方法一样，这类方法也存在着如何协调好性能和效率方面的问题，针对这类方法目前存在的一些问题，本文提出了一种新的基于学习的人脸检测方法，主要内容包括以下几个方面：第一、提出了一种新的人脸全局特征以及用该特征来构建弱分类器的方法。选择特征并构建弱分类器是基于学习的检测方法中重要的一步，本文提出了一种线性的全局特征，即单位平均脸特征，利用直方图的统计特性，根据Neyman-Pearson决策规则可以得出用于分类的判别函数，设计出与全局特征相对应的弱分类器，同时本文也给出了这种弱分类器的学习算法。 第二、提出了一种在结合全局特征的情况下进行局部特征的选择和计算方法。在人脸检测技术发展的过程中，特征始终扮演着重要的角色，特征对学习算法最终学到的结果有非常大的影响，如何选择特征并设计弱分类器是基于学习的检测方法中重要的一个环节。针对目前基于学习的检测方法只使用局部特征时存在的问题，本文提出了一种在结合全局特征的情况下进行局部特征的选择方法，即只在训练样本的部分区域内选择局部特征，这种选择方法提高了人脸检测的鲁棒性，同时也为怎样解决人脸检测中的遮挡问题提供了一个新的思路。 第三、将全局特征和局部特征相结合来训练分类器，提高了分类器的鲁棒性。人脸检测器本质上是一个分类器，本文以单位平均脸特征作为全局特征，以矩形特征作为局部特征，将两者相结合来训练分类器并给出了训练算法，通过该算法训练出的人脸检测器在具有较少特征的情况下仍能达到较高的检测率，同时又能保持较低的误检率，并且该检测器能够检测具有部分遮挡的人脸，显示出较高的鲁棒性。这种将全局特征和局部特征相结合从多个角度对事物进行判别分析的方法符合方法论的观点。 在MIT+CMU人脸数据库上的检测实验结果表明，我们的人脸检测器具有较高的检测率95％和较低的误检率10-6，能够检测具有部分遮挡的人脸，具有较高的鲁棒性；对大小为320×240的图像进行检测的时间为0.08秒。作为一种基于学习的检测方法，本文方法克服了基于学习的检测方法只使用局部特征时存在的误检率会随着检测率的提高而变得很高的问题，同时克服了只使用全局特征时检测速度慢的问题，较好地做到了性能和效率的统一。