人脸检测技术作为计算机图像处理和人工智能技术的一个重要分支，在模式识别、信息安全、人机交互、智能监控以及视频检索等领域有着广泛的应用前景，受到了研究学者和工程开发人员的广泛关注。　　在实际应用中，遇到遮挡、姿态变化情况时，现有人脸检测算法的准确性和鲁棒性有时不能满足实际需求。本文将深度学习理论引入到人脸检测中，提出了一种基于深度学习的人脸检测算法，通过建立深度模型学习人脸各局部区域之间的相关性，以期减少遮挡和姿态变化的影响。本文主要研究工作如下：　　1.结合深度学习理论，从特征提取、训练和收敛时间等角度对深度学习的三种结构及其典型模型进行了分析。研究结果说明，深度信念网络深度模型能够更好的解决深层网络训练效率问题，训练和收敛时间较短，并能够充分描述特征之间相关性的联合概率分布，更适合于模拟人脸各局部区域之间的概率相关性。其次，从分类误差和收敛性两种角度对深度信念网络的两种优化方法进行了仿真对比实验。仿真实验结果表明：在分类误差和收敛性方面，受限玻尔兹曼机优化方法均优于 BP优化方法。因此，受限玻尔兹曼机优化方法更适合于训练优化本文提出的深度模型。　　2.针对人脸检测中存在的遮挡、多姿态问题，将深度学习理论引入到人脸检测中，提出了一种基于深度学习的人脸检测算法，通过建立深度模型（深度信念网络）学习人脸各局部区域之间的概率相关性，根据局部概率相关性检测人脸。该算法首先利用部分检测器检测人脸各局部区域；然后将局部区域检测结果输入到深度模型中，利用深度模型的深层非线性网络结构学习人脸各局部区域之间的概率相关性，完成人脸检测。该算法将深度学习理论与基于部分模型的思想相结合，实现人脸检测。仿真实验结果表明：在遮挡、多姿态情况下，本文算法能够保持较高的准确性，并具有较强的鲁棒性。