人脸检测是自动人脸识别系统和监控系统的首要环节，也是实现机器智能化的重要步骤之一，同时也能推广到对象检测（如行人检测，车辆检测等）。其处理的问题是确认图像中是否存在人脸，如果存在则返回人脸的位置，大小，姿态。人脸检测的应用相当广泛，如今已广泛应用于监控，安防系统。并将逐步应用于智能人机接口，数字视频会议，基于内容的图像检索，视频检索等。　　 人脸检测的方法，经过众多学者的长期研究已经取得了显著的成绩，形成了不同理论分支的多种方法类别。其中基于统计学习的方法应用最为广泛，最具代表性的工作是由Viola和Jones提出的基于Haar型特征的Adaboost算法。该方法在保留统计学习方法鲁棒性的同时为人脸检测的实际应用提供了可能，引来了人脸检测领域的广泛关注。然而，由于人脸本身复杂的细节变化，以及不同的成像外界条件变化，人脸检测仍然存在很多难点有待进一步解决。　　 本文首先对人脸检测的研究背景和研究难点进行论述。在此基础上，重点研究了基于稀疏特征的人脸检测方法，对比Viola-Jones的方法清晰地呈现了本文检测器的训练层次。文章采用稀疏特征，引入进化搜索寻找符合条件的稀疏特征构建查找表型（Look up table）弱分类器；为尽可能覆盖大的样本空间，使用大样本训练连续Adaboost动态级联结构检测器。　　 本文对原有方法进行了一定的探讨和改进，首先引入稀疏特征训练检测器。针对稀疏特征实现的一些技术细节，重新估计了衡量稀疏特征判别性的fitness函数。引入进化搜索的思想用于特征选择，提出了一种基于稀疏特征和进化搜索的人脸检测算法，解决了稀疏特征搜索时间过长的问题。为了提高检测率，扩展贝叶斯决策弱分类器，同时采用大规模训练集和验证集用于连续Adaboost训练。最后实验对比了稀疏特征与Haar型特征训练的检测器的检测率并给出检测结果，实验验证了本文方法能够有效地完成人脸检测任务。