人脸检测和识别系统被广泛应用于交通、门禁等各种生活场景。随着新冠疫情的爆发,在公共场所佩戴口罩成为了各国防疫的一项重要措施。然而口罩会遮挡较大的人脸区域,使人脸检测和识别算法难以捕捉到足够的人脸信息,从而导致算法识别准确率下降乃至无法正常工作。通用人脸检测算法针对的是常见场景,在特殊场景下往往需要针对特定的问题对算法进行调整。目前针对口罩遮挡场景的人脸检测研究较少,而现有人脸检测算法在口罩遮挡场景下存在精度下降的问题。本研究采用了轻量高效的人脸检测骨干网络LFPN-MobileNetV2,并在此基础上针对口罩遮挡场景下的人脸检测问题进行深入研究,分别从提高模型特征提取能力和改进锚框匹配算法两个角度对现有方法的问题进行了改进,主要工作如下:（1）口罩遮挡了人脸大面积区域,对模型的特征提取能力提出了更高的要求。而现有方法仅区分人脸和非人脸区域的特征,忽略了人脸内部不同区域的特征差异。本研究提出了WFPA（Weighted Face Position Attention）注意力模型。口罩遮挡场景中人脸被遮挡的部位相对固定,而中心区域往往包含了更多有效的信息。WFPA通过高斯函数生成一种人脸区域热力图的监督信息,不仅可以区分人脸和非人脸区域,还能赋予人脸内部区域不同的权重,在已有监督信息的基础上赋予了模型额外的加权监督信息,从而提高模型的特征提取能力。实验表明在测试数据集上WFPA使模型的平均精度AP（Average Precision）提高了1.3%。（2）现有方法大多通过交并比（IoU）来判定某个锚框的正负样本归属,这种方法通常采用较低的IoU阈值来提高原始正样本标签的利用率,而在严重遮挡场景下,这种方法会导致大量匹配到被遮挡区域的锚框被判定为正样本,从而产生过多的训练噪声。本文提出了IAMS（Improved Anchor Match Strategy）锚框匹配算法,通过引入了新的匹配指标IoG（Intersection over Ground truth）,结合IoU和IoG,在降低训练噪声的同时,尽可能保证每一个原始正样本标签被充分利用。实验表明改进后的锚框匹配算法在测试数据集上平均精度提高了0.8%。实验最后结合IAMS和WFPA两种改进方法得到了一个轻量级人脸检测模型MFD（Masked Face Detector）。实验表明在口罩遮挡场景下,MFD能够获得1.9%的平均精度提升,且相较现有的部分人脸检测算法能够在不损失检测准确率的同时拥有轻量、高效的特性。本研究提出的IAMS和WFPA两种改进方法,能够给口罩遮挡场景下的模型检测平均精度带来一定的提升,提高口罩遮挡场景下人脸检测系统的可用性,具备一定的理论和实用价值。