随着人脸识别、标注和检索等各种人脸应用的快速发展,使得人脸检测在图像分析领域具有越来越重要的地位,并且成为过去几十年中研究最多的课题之一。但是由于光照变化、不同姿势表情和各种尺度人脸等问题的影响,使得人脸检测在实际应用中还面临许多挑战。特别是在低光照条件下采集得到的图像,其较低的可见度和信噪比严重影响了人脸检测的结果,从而导致人脸检测的性能难以满足实际应用的需求。本文研究了复杂环境下人脸检测的相关理论和方法,并主要针对低照度图像增强算法和基于深度学习的多尺度人脸检测方法进行了探索,取得了一定的成果。本文的主要工作如下:1.利用改进的基于暗通道先验的低照度图像增强算法实现高效的图像预处理。针对目前已有的基于暗通道先验的低照度图像增强算法中容易出现光晕现象和计算复杂度较高的缺点,提出了一种改进方法。通过将图像反转与暗通道去雾算法相结合,实现了在原始低照度图像上直接进行全局大气光和透射图的估算,提高了算法的运行速度,并且利用导向滤波算法对估算得到的粗糙投射图进行细化,抑制了图像中光晕现象的产生。2.设计了基于区域Softmax损失函数的卷积神经网络进行图像分类。针对传统卷积神经网络的损失函数只与图像的全局信息相关而缺少对图像子区域的拟合能力的问题,提出了区域Softmax损失函数。根据卷积特征图与图像子区域之间的映射关系,将卷积特征张量中每一通道的特征作为图像局部区域的映射,从而通过最小化每一通道特征损失来提升网络对子区域的理解,从而提升了网络对图像的表达能力。3.设计了基于卷积神经网络的多尺度人脸检测方法实现人脸检测。由于在人脸检测中只有人脸和非人脸两种类别,与目标检测中目标与背景的类别标签相似。因此利用Faster R-CNN方法中的区域建议网络进行人脸检测,针对区域建议网络检测得到的人脸尺度较单一的问题,通过三个具有不同锚点尺度的子检测器对来自不同卷积层的特征图进行人脸检测,并且利用区域Softmax损失函数与子检测器的结合来提升网络对大尺度人脸的检测结果。通过实验表明,本文的人脸检测方法在多个人脸检测数据集上都取得了较好的结果。最后,综合本文提出的方法,设计并实现了主要包括低照度图像增强与人脸检测两个模块的复杂环境下的人脸检测系统,实现了低照度环境下对人脸的精确定位。