人脸检测在人机交互、智能安防和刑侦破案等领域具有重要的应用前景。随着深度学习的兴起,人脸检测技术借助卷积神经网络强大的特征提取能力,取得了优于传统方法的效果,但是在小尺度人脸检测中仍存在精度低的问题。本文基于卷积神经网络对小尺度人脸检测任务进行研究与分析,主要工作如下:第一,利用YOLO目标检测算法速度快的优势,针对小尺度人脸检测精度低的问题,提出一种基于YOLO改进的小尺度人脸检测方法FusionYOLO。首先考虑小尺度人脸在图像中占比小且宽高比接近1的特点,使用改进的k-means聚类算法选取合适的候选区域尺度;其次对多级特征图进行细粒度特征融合,增强特征上下文信息的依赖性,提高对小尺度人脸特征的表征能力;最后结合聚类结果中合适的候选区域,重新设计YOLO的预测层,形成适用于检测小尺度人脸的网络结构。在WIDER FACE数据集上的实验结果表明,与YOLO相比,FusionYOLO的查准率和查全率分别提高了14.9%和22.7%,同时仍能保持良好的检测速度。第二,为了进一步提高小尺度人脸的检测精度,提出一种小尺度人脸检测算法AttFusionYOLO。该算法由两部分组成:首先提出一种基于GAN改进的数据增强方法DenseGAN,利用GAN模型学习随机噪音到小尺度人脸图像之间的映射关系,用来生成类似样本的新图像,同时使用密集连接块和网中网结构改善GAN算法在训练过程中常见的生成器模式崩坏的问题,在减少人工标注成本的同时增加数据的多样性;其次在FusionYOLO的基础上,引入通道注意力机制,对特征图各个通道之间的相关性进行建模,将建模后的权重与原特征通道的信息进行加权融合,实现对小尺度人脸特征的重校准。实验结果表明,与FusionYOLO相比,AttFusionYOLO的查准率和查全率分别提高了0.3%和0.6%,证明了该方法的有效性。