随着计算机技术的快速发展,基于计算机视觉和人工智能技术的人脸识别技术也得到了大力发展,且被广泛应用到身份识别验证、门禁系统、智能视频监控以及一些软件的登录验证等领域。人脸检测是人脸识别中的第一个重要步骤,人脸检测结果对后续的特征提取与识别都具有重要意义。目前,基于统计的AdaBoost算法是检测率较高以及适应性较强的方法和研究方向,因此,本文基于AdaBoost方法对人脸检测进行了研究,并利用改进后的群体智能算法对AdaBoost方法进行优化,改进后的AdaBoost方法在一定程度上提高了人脸检测的精度,并有效降低了误检率。本文的主要工作包括：(1)针对标准粒子群优化算法在迭代过程中易陷入局部最优和后期收敛速度慢的问题,提出一种基于混沌变异的自适应粒子群优化算法。该算法利用Cat混沌映射获得均匀初始化的种群,并在粒子陷入局部极值时对其进行混沌变异操作,增加粒子多样性,同时根据粒子局部浓度自适应调节惯性权重的大小,提高算法的后期收敛速度。仿真实验表明：该算法能够有效避免早熟问题且具有较快的收敛速度。(2)针对AdaBoost算法在样本训练过程中出现的特征冗余问题,提出了一种改进的AdaBoost算法,并应用在人脸检测中。在AdaBoost算法样本训练进行特征选择时,利用提出的基于混沌变异的自适应粒子群优化算法对样本特征进行全局优化,替代传统的穷尽搜索策略,减少时间上的消耗。在适应度函数的设计中引入分类器相关性的概念,将具有差异互补性的弱分类器进行组合,提高弱分类器的多样性,进而提高算法的检测率。仿真实验表明：本文方法不但能够在一定程度上减少特征冗余,而且也在一定程度上提高了人脸检测的精度。