人脸检测技术是模式识别领域的重要研究课题之一。在实际应用中,采集到的人脸图像往往会受到周围环境的影响,造成人脸检测中的姿态变化、遮挡和复杂背景等问题,导致人脸检测的准确性和鲁棒性有时不能满足实际应用的需求。结合深度学习理论,本文提出了一种基于深度学习混合模型的人脸检测算法。通过建立深度学习混合模型,利用各特征之间的强相互关系学习人脸局部特征及位置,期望以此减少部分遮挡和多姿态对人脸检测造成的影响。本文主要研究内容如下:1.首先结合深度学习理论,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。其次,从分类误差和收敛性两种角度对深度置信网络和卷积神经网络两种方法进行了仿真对比实验。实验结果表明,使用卷积神经网络方法的分类误差百分比在整体上要低于使用深度置信网络方法的分类误差百分比,但在收敛速度上,深度置信网络的收敛速度要优于卷积神经网络的收敛速度。因此,根据两种典型模型的优点与不足,本文构建了一种卷积池化受限玻尔兹曼机模型单元,将卷积神经网络中的卷积层和池化层加入到受限玻尔兹曼机中的隐藏层中,构建深度学习混合模型的基本单元。改进后的网络无需预处理就可以直接输入原始图像,其结构更符合图像输入的拓扑结构,更适合对图像的训练学习。2.针对单一深度模型在解决人脸检测部分遮挡时出现学习效率低、人脸检测误检率高等问题,提出了一种基于深度学习的混合模型——卷积池化深度置信网络(Convolutional pooling deep belief network,CPDBN)算法来解决人脸检测问题。首先将之前构造的卷积池化受限玻尔兹曼机作为深度模型的基本单元,然后建立多层基本单元结构,并利用深度模型深层结构之间的相关性,学习各特征的位置和特征之间的相关关系。在检测出现遮挡情况时,根据学习检测到的人脸局部特征,预测推断隐藏的特征位置,由完整的人脸特征进行人脸检测。实验结果表明,本文算法加快了收敛速度,提高了人脸部分遮挡情况下的人脸检测精度,而且对于姿态变化具有一定的鲁棒性。