计算机视觉研究的一个关键方向就是人脸检测。面部特征在检测系统、访问控制和安防等领域中得到了广泛的应用。人脸检测与识别在安防领域中是最热门的研究方向之一。而曝光度、分辨率低、人脸角度的极端偏转、面部遮挡等原因使得人脸检测任务变得艰巨,而且在实际的应用中也广泛存在这些问题。早期Viola和Jones发明了VJ人脸检测的算法,该算法已经可以很好的检测正面的人脸图像,但对于人脸存在的各种表情,光照强度,各种偏转的角度等因素,使得VJ人脸检测器在实际应用中不够理想。由于卷积神经网络的不断研究和发展,加上GPU等硬件对计算能力的加速,使得计算机视觉的发展越来越迅速。卷积神经网络在人脸检测的研究方向上有着无法相比的优势,比如极大缩减了人工成本、自学习人脸的特征、对复杂条件下的人脸有着很好的适应性等。但由于照明和遮挡、各种姿势、无约束环境中的人脸检测和对齐具有挑战性。近期的研究发现,深度学习的算法可以很好的解决以上的问题。本文基于深度学习的理论知识,针对人脸检测方向上的问题做了较为深入的讨论。对早期和现有的一些人脸检测算法的优缺点进行了分析和总结,并且在基于现有的卷积神经网络的模型上,对其进行分析与改进,提出了深度级联的多任务框架,利用检测和校准之间的内在联系来提高其性能。特别是,我们用三层级联的框架结构,并结合改进后设计的卷积神经网络的算法,来进行对人脸的检测和关键点的定位。改进后的级联神经网络的复杂度逐级递增,每一级都比上一级增加了一层卷积层和池化层。级联网络的重要精髓思想是由粗到细。由于每一个网络深度都挺小,所以每个网络的检测所用的时间都很短,最后级联的网络的检测速度比较快。且利用多任务的联系,使得模型的检测率更高、更精确。实验表明在基于Tensorflow深度学习框架上,利用此方法在面部检测具有挑战性的FDDB和WIDER FACE库上测试结果很好,平均准确度很高,检测时间很短。