人脸识别技术作为一种新兴学科日益得到重视研究，因此作为人脸识别技术中的定位环节--人脸检测也越来越受到人们的重视。今天，人脸检测不仅仅用于解决计算机视觉问题，而且还应用于商业部门和执法部门，如嫌疑犯照片匹配、用户身份认证、用户登录控制、群监视以及智能人机交互等方面都可以应用人脸检测技术。　　 目前最经典的人脸检测算法是Viola和Jones于2001年提出的AdaBoost人脸检测算法，该算法的提出给人脸检测问题的研究带来了新的发展和进步，但也存在一些不足之处，比如人脸检测的误检率比较高、弱分类器的识别率比较低。本文在AdaBoost算法的基础上，结合支持向量机的思想，尝试性地提出了一种基于结合自适应广义粒子群算法与AdaBoost算法的人脸检测算法。由于基于AdaBoost算法的人脸检测最后要把弱分类器进行线性组合成强分类器，所以这是一个组合优化问题，粒子的当前位置是弱分类器的当前权重分配，如果依据标准粒子群优化算法对粒子进行描述，则粒子的速度很难被定义。所以根据标准粒子群优化的基本思想，融入遗传算法，对粒子进行弱变异操作和弱交叉操作，使粒子的当前解分别与个体极值和全局极值作交叉操作，把最后产生的解作为粒子在解空间中的新位置。　　 该算法主要针对传统的AdaBoost人脸检测器中泛化能力较差、各弱分类器权重系数无法达到全局最优及检测率尚待提高同时误检率较高等缺点提出的，算法中变异算子、交叉算子和模拟退火操作的引入增加了粒子的多样性，使算法能够平衡全局搜索能力和局部搜索能力，从而得到全局最优的解，即得到弱分类器的全局最优权重系数。本文提出的改进AdaBoost算法，主要有两个特点：(1)将支持向量机和AdaBoost算法相结合。(2)将粒子群优化算法与遗传算法相结合，利用交叉算子、变异算子，并采用简化后的模拟退火算法作为自适应策略，提出一种自适应广义粒子群优化算法来全局优化提升弱分类器的权重系数。　　 实验结果表明，与传统AdaBoost算法和PSO-AdaBoost算法相比，基于结合自适应广义粒子群算法与AdaBoost算法的人脸检测算法在检测正确率、泛化能力等方面的性能都得到了有效改善，并具有较低的误检率。