随着深度学习的快速发展与其在计算机视觉领域的广泛应用,人脸检测算法的性能得到了很大的提升,但随之而来的是深度卷积神经网络带来的巨大的参数量和计算量,这使得人脸检测算法必须依附于高性能计算集群才能进行推理和应用,因此,提出一个能够在移动端设备进行实时推理的轻量级人脸检测算法能将应用场景显著扩展,具有重要研究和应用价值。本文首先阐述了轻量级人脸检测算法提出的背景与意义,并对现阶段国内外人脸检测技术研究现状进行了详细的调研。针对能够在移动端设备上进行实时推理的基于轻量级深度神经网络的人脸检测算法,本文做了以下工作:1)将轻量级深度卷积神经网络与单阶段人脸检测算法相结合,设计一个基于个性化Anchor的轻量级人脸检测算法。考虑到先验框对于人脸检测任务的关键性,本文基于K-means聚类和实际人脸检测应用场景数理统计设计Anchor,使预测人脸框更符合实际数据分布,从而提升人脸检测模型精度。此外,本文利用迁移学习理论,将CelebA数据集作为人脸检测算法训练前的预训练数据,为轻量级人脸检测算法提供更适合的预训练模型,使其训练时更好更快的收敛。2)对基于个性化Anchor的轻量级人脸检测算法的效率与精度进一步优化。首先使用两种模型压缩方法对轻量级人脸检测网络进行压缩,一是提出通道压缩超参数β控制整个卷积神经网络通道压缩的比例来平衡算法速度与精度,二是对模型进行INT8量化,使模型占用内存减少,加快推理速度。其次对轻量级人脸检测算法的特征提取卷积神经网络使用多层特征融合的方法进行改进,将浅层特征与深层特征相融合,使得输出特征既具有高层的语义也有较高的分辨率,从而丰富了提取的特征,扩大可检测人脸的尺度范围,提升轻量级人脸检测算法的精度。本文提出的轻量级人脸检测算法在FDDB人脸检测公开数据集上获得了良好的效果,F-measure为88.2%的同时在CPU上达到11.1FPS的人脸检测速度,模型大小仅为5M,证明了算法的先进性与有效性。