鉴于人脸检测技术在安全访问控制、视觉监测、基于内容的检索和新一代人机界面等领域具有广泛的应用背景，一直是模式识别和人工智能等领域的重要研究课题。由于人脸是由复杂的三维曲面构成的可变形体，而光照、表情变化和背景环境都会都给检测带来难度。因此人脸检测是一个极具挑战性的课题。　　 通常基于肤色的人脸检测方法由于单纯利用肤色信息，容易造成肤色区域的大面积连接，检测率不高；卷积神经网络方法在人脸检测中取得了巨大成功，但是卷积核的计算量较大，同时典型的卷积神经网络的固定结构又使得网络规模初始设定只能是经验性的，难以实现后继的再学习，限制了卷积神经网络在人脸检测领域的进一步应用；利用简单Harr式特征分层筛选的人脸检测方法具有简单、快速、检测率高的优点，该方法通过Adaboost算法对Harr式矩形特征弱分类器进行组合来提升系统分类性能。但是Harr式特征对边缘、线段比较敏感，只能描述特定走向的图形结构，一定程度上影响了检测结果。　　 本文针对上述问题进行了深入研究，主要改进工作包括：　　 (1)、在彩图中的人脸检测过程中，首先提取出彩色图像中的肤色区域，再结合Canny算子提取出的图像的边缘信息，将大片粘连的肤色区域分割开来。实验结果证实本文方法有效提高了包含部分遮挡、肤色干扰等复杂环境下的图片的检测率。　　 (2)、针对卷积神经网络结构固定、卷积核计算量大、难以实现后继的再学习等问题，提出一种结构可变的卷积神经网络的构造方法。具体构造方法为：从每层只有单个卷积核的简单网络结构开始训练，逐渐为各网络层增加新的卷积神经元并修改新增连接权重，当训练结果达到预期目标时训练结束。不同网络规模下人脸检测的实验结果表明基于结构增长生成的网络可以在精确度和网络规模之间取得一个非常好的折衷。此外，在追加新的学习样本时，分类器在保持原有学习结果基础上，只需调整少量新增神经元的权值，就能明显提高检测率。　　 (3)、协方差矩阵特征能够反映图像像素的内在相关程度，可以较好地克服Harr式几何特征对边缘走向敏感的缺点。本文结合分层筛选技术，提出了基于协方差特征的Adaboost人脸检测方法。该方法先计算协方差矩阵特征，然后由这些特征构造弱分类器，最后借助 Adaboost方法组合这些弱分类器的输出结果来对测试图片进行瀑布式分层筛选，从而获得最终判决结果。测试实验显示所提方法具有较强的抗噪能力，能够适应人脸在一定程度上的表情变化，检测率相比原基于Harr式特征分层筛选的Adaboost方法有显著提高。