作为人脸识别系统的第一个环节，人脸检测是为了从复杂背景中有效地定位并提取出人脸区域，由于其在安全访问控制、视觉监测、基于内容的检索和新一代智能人机界面等众多领域具有重要的应用价值，近年来人脸检测开始被作为一个独立的课题受到研究者们的普遍重视。21世纪初Viola基于AdaBoost算法的人脸检测器的发表，从实质上提高了人脸检测的效率和精度，它是在提出的一系列Haar-like特征的基础上，通过AdaBoost算法学习得到一系列弱分类器，再组合成一个强分类器，然后再级联一系列这样的强分类器组成人脸检测器。但在实际应用中，虽然由单一Haar-1ike特征组成的弱分类器具有很大的检测速度优势，但是难以保证较理想的检测精度，并且当检测的图片分辨率较大、人脸数目较多、背景较复杂时，由于检测子窗口搜索范围和搜索步长的限制，检测速度和精度往往会受到一定的影响。 本文的创新点在于以下四个方面： (1)鉴于目前还没有针对于AdaBoost算法在人脸检测中的应用综述，本文对近年来比较成熟的AdaBoost人脸检测算法做了较为详细的综述并比较。 (2)在AdaBoost算法的前期引入肤色分割步骤，并利用得到的肤色区域自适应地调整检测窗口的位置和移动策略，将大部分非人脸样本在早期排除，让AdaBoost算法集中于判别有可能是人脸的区域，并在后期结合肤色区域来做最终判决，解决了原算法所产生的重复检测问题。 (3)在AdaBoost算法的后期引入了具有线形相位的双正交小波，避免了由于单一Hag-like特征过于简单所造成信息损失问题。 (4)对原AdaBoost算法中强分类器的固定阈值进行改进，根据强分类器在训练集上的性能而自适应地设定其阈值，在保证检测系统性能的同时，极大地减小了所需要级联的强分类器的数量。 本文共采用了来自Internet和现实生活中的400张彩色人脸图片，背景各异，人脸姿态方面存在一定的平面内旋转和平面外旋转，另外有一定的光照影响。试验结果表明，本文改进的AdaBoost人脸检测算法能达到90％以上的检测率，而且对各种图片的自适应性得到了提高。