近年来,随着计算机和网络技术的飞速发展,如何准确而快速地从海量的视频或图像数据中检测到人脸,已成为当下重要的研究课题。传统的的人脸检测算法主要使用手工特征进行检测。由于手工特征对于复杂场景中人脸的表达能力不足,传统算法在这些情况下性能会大打折扣。相关研究表明,卷积神经网络具有从图像中提取出高级视觉特征的能力,因此越来越多的研究人员将卷积神经网络应用到人脸检测领域。另外,现阶段在人脸检测中所应用的卷积神经网络的模型较大,并不完全适用于移动或嵌入式设备的人脸检测任务。为了解决人脸检测中的复杂场景中的人脸检测、带标签的训练样本有限、现有算法的模型较大等问题,本文以卷积神经网络为基础,更改网络的组成,提出了基于深度可分离卷积的轻型卷积神经网络的人脸检测算法,并提出利用多尺度融合人脸特征进行训练,以提高该算法的鲁棒性。此外,创新式的将注意力模块应用在人脸检测任务中,提出基于注意力模块的轻型卷积神经网络的人脸检测算法,以帮助模型快速定位人脸所在位置。本文的主要工作如下:(1)更改网络组成。将深度可分离卷积层引入人脸检测算法,提出并设计基于深度可分离卷积的轻型卷积神经网络的人脸检测算法,以适用于移动或嵌入式设备的人脸检测任务。(2)优化特征提取方式。提出融合不同尺度、不同等级的人脸特征,形成包含不同尺度、不同等级的人脸信息的多尺度融合人脸特征,以提高该算法的鲁棒性。同时提出构造特征金字塔网络,以充分利用多尺度融合人脸特征。(3)解决带标签的训练样本有限的问题。针对人脸检任务中,人脸数据集的训练样本不足以训练庞大模型的问题,创新式的将迁移学习应用到人脸检测任务,提出使用与人脸数据集互属相似的大规模数据集来预训练网络。(4)优化网络结构。创新式的将注意力模块应用在人脸检测任务中,提出并设计基于注意力模块的轻型卷积神经网络的人脸检测算法,在网络各个阶段后加入注意力模块,以帮助模型快速定位人脸所在位置,提高人脸检测的准确率。