人脸检测拥有悠久的研究历史,是计算机视觉中的经典问题之一。现在有许多实际应用如人脸识别等将人脸检测作为系统处理的第一步。虽然经典的Viola-Jones人脸检测算法可以很好地解决限制条件下的人脸检测问题,但是它对实际应用中需要处理的自然人脸图像往往无能为力。为了满足实际应用的需求,研究人员开始关注非限制条件下的人脸检测问题,并且已经取得了丰硕的成果。这些成果可以大致归为两大类,基于级联结构的算法族和基于可变形部件模型的算法族。这些算法将人脸检测推向了一个新的高度。近年来,卷积神经网络方法在图像分类和目标检测等问题上得到了最好的结果。这给解决非限制条件下的人脸检测问题提供了有益的启示。基于卷积神经网络的人脸检测方法也取得了巨大成功。值得指出的是这些方法往往模型复杂,难于训练,并且稳定性不高。针对这些问题,本文提出了一种新的简单的人脸检测算法,并且在FDDB人脸检测数据集上与目前最好的方法有着相近的表现。本文的主要研究内容可归结为:(1)提出了一个新的简单的人脸检测算法。算法模型是一个单一的卷积神经网络,以端到端的方式进行训练。检测算法是基于人脸标记点的,通过使用分类方法来检测输入图像中的人脸标记点,结合K-均值算法和预定义盒子来生成人脸候选区域。(2)采用了两种方法来提高人脸位置和大小的回归精度:在进行标记点检测前使用反卷积对卷积特征进行增采样来提高卷积特征的分辨率;采用多任务损失函数恰当地处理了分类误差和回归误差,并且分开处理不同尺度不同比例情形下的回归误差。