人脸检测技术在人们日常生活中越来越受到关注，特别是在学术研究、国防等领域，每年正以突飞猛进的速度发展壮大。人脸检测是一项综合了多学科、多领域、多层次的高新复合型技术。它不但包含了生物学、生理学、数学、计算机科学等知识，还要求研究者不断探索人脸面部的各种细微变化与周围环境的影响。因此，它是一个有着一定难度、趣味和挑战性的研究方向。聚类方法一直以来是一项在数据分析、数据挖掘、图像处理等领域起着非常关键作用的技术。它能帮助研究人员对未知分类的数据进行统计分析。但是传统的聚类方式因缺乏数据样本本身的信息作为指导，使得聚类的效果不是很理想。近些年来，许多专家开始对机器学习领域的半监督学习策略进行研究，并将该学习方式应用到聚类方向，取得了惊人的效果。本文首先将SKDK(半监督核判决均值算法)学习策略应用到肤色聚类当中,在整个聚类过程中，利用少量有标记的样本组成种子Seed集，指引肤色聚类，然后依据各个像素簇的概率统计分布特性得到肤色模型；在此肤色模型的基础之上利用数学形态学等知识对图像进行处理，目的是为了消除图像中存在的一些杂点。之后将得到的人脸候选区域作为后续分类器的输入端数据输入，依靠这些比较优秀的分类器完成最终的人脸检测。本文图像在经过肤色聚类这一步粗选之后，可以排除大量的无关背景。在这种条件下，后续的人脸检测速度和检测正确率可以明显得以提升。在后续分类器设计部分，本文提出了一种基于改进的ICA(独立主成分分析法)人脸检测算法，对传统的牛顿迭代算法加以改进，加快了整个算法计算的收敛过程，但是该算法在多人脸复杂场景下的检测效果并不理想。为了克服该缺点，算法利用连续AdaBoost级联分类器结合之前得到的候选人脸区域进行人脸检测，并在各种复杂的场景下进行实验，取得了良好的检测效果。