人脸检测技术始于上个世纪60～70年代,经过几十年的发展,已经日臻完善。起初,人脸检测是人脸识别技术的一个环节。但随着电子商务等应用的发展,识别系统对人脸的适应性要求越来越高,人脸检测技术逐渐才从人脸识别中逐渐独立出来。这之后出现了许多优秀的算法,Viola和Jones的基于级联结构的Adaboost算法是其中的代表,是第一个精确实现实时检测的算法框架。然而,该方法没有很好的解决人脸检测问题中的不对称性。由于该不对称性,使得Adaboost检测算法的检测效果不是很好。本文的主要工作有：本文介绍了Adaboost算法的理论基础和工作原理,分析了基于Adaboost的人脸检测算法的改进方法,在此基础上提出了新的人脸检测方法：1.提出基于普通样本的Adaboost人脸检测方法。现实中,各个图像的检测难度不一,并且检测难度处于中间状态的图像占大多数。利用此规律,本文提出了一种改进的Adaboost算法一普通样本Adaboost。该方法首先分析了训练样本的检测难度分布规律,并以此确定普通样本的检测率范围。在训练时,根据该范围来区分普通样本和非普通样本,对于普通样本采用特殊的权重更新方法,而非普通样本则使用传统方法。实验结果表明,新算法比传统Adaboost算法在检测率和负样本误检率上作的更好。2.改进了级联结构。传统的Adaboost级联结构是一层级联结构,所有的人脸区域必须经过所有的级联分类器的检测才能够被当成人脸,其中任何一个级联分类器的拒绝都会导致检测失败。为了提高人脸检测率,有的学者引入了二次检测。但是,引入二次检测必然会降低检测速度。为了减少检测时间,本文采取只在误排率较高的时候引入二次检测。实验表明,该方法可以提高检测率。最后,设计了一个实验系统,实现了Adaboost算法的训练过程和在训练集上的检测过程。