人脸检测技术目前应用广泛,是当前人脸识别与验证等应用的基础。基于卷积神经网络的人脸检测技术在准确率上已经远超传统方法,但是庞大的计算量和参数量是卷积神经网络的一大缺点,也成为其在实际场景中部署的重要阻碍。另外,目前绝大多数卷积神经网络都是采用离线训练的方式,在部署之后其参数就不会再改变,所以难以针对实际部署的场景进行自适应调整。因此设计一种能够在检测精度和计算量之间取得良好的平衡,并且能够针对部署场景进行在线学习的轻量级人脸检测算法,对于实现终端设备人脸检测算法的部署具有十分重要的意义。本文首先介绍了目标检测和人脸检测算法、网络量化算法、目标跟踪算法和在线学习相关算法的发展过程和典型方法。在人脸检测算法方面,分析了当前主流的轻量级卷积算子,并且为了保证算法的精度,对网络的特征金字塔进行改进,在不增加计算量的前提下,采用像素混洗的方式对特征图进行放大和通道缩减,保证了网络提取到的特征能够被充分利用,设计了能够在精度和计算量之间取得良好平衡的人脸检测网络。在网络量化方面,为了减少算法的复杂性,在训练时对参数范围进行了一定的压缩。在人脸跟踪方面,本文在分析当前多目标跟踪算法原理的基础上,结合多目标检测算法设计了人脸跟踪器。此外,本文提出了一种在线学习策略:将网络的预测分支进行复制,一个分支的参数固定,另一个分支的参数进行在线更新,使网络同时具有较强的泛化能力和对部署场景的自适应能力。最后,本文将量化的在线学习人脸检测与跟踪算法在嵌入式平台上进行了验证。本文设计的人脸检测算法,在WIDER FACE人脸检测数据集的三个子测试集上分别获得92.3%、90.7%和78.2%的检测精度,并且其模型大小仅为4.6 MB。经过量化为8bits之后其精度分别为91.6%、90.3%和77.1%,精度下降均在1%左右,量化后模型大小仅1.3MB。本文所提出的在线学习方法,WIDER FACE经过单次遍历训练之后可获得约0.1%的精度提升。本文算法在树莓派4B开发板上能够达到12FPS的运行速度。本文研究对轻量级人脸检测算法在终端设备上的应用,特别是对网络在进行部署之后的在线学习具有一定的参考意义。