现今许多领域都将人脸识别作为身份验证、人员查找以及人流量统计等的重要手段,在车站、机场、售票窗口和繁华街道等诸多场景中都会安装摄像头来监控和识别人脸。而实现智能化辨认出人脸需要先从人脸众多的视频图像中检测出人脸,才能进一步进行人脸识别,因而进行人脸识别的前提是要先进行人脸检测。目前的人脸检测方法有很多,大致可以分为传统的人脸检测方法和基于深度学习的人脸检测算法,由于在大场景中人员数量众多且位置不一,人脸姿态和表情不受控制,同时存在光线等环境条件的差异,因此选择一种准确高效的人脸检测算法面临着挑战。本文主要对人脸检测的相关技术进行研究并将教室学生的上课场景作为实验场景,首先介绍了基于肤色和Adaboost的人脸检测方法,其次对基于深度学习的MTCNN(Multi-task Cascaded Convolutional Networks,多任务级联卷积神经网络)算法、YOLO算法以及Faster RCNN算法进行了分析研究,通过对不同算法的比较,最终将效果相对较好的MTCNN算法、YOLO算法以及Adaboost算法应用于教室学生的人脸检测,并且针对Adaboost算法、YOLO算法以及效果显著的MTCNN算法分别进行了改进。对于Adaboost算法,本文使用了一种新的权重更新策略,对要提取的特征数量进行了缩减,同时对要检测的图像首先进行肤色区域预提取,经过改进的算法有效缩短了检测时间,提升了准确率;对于YOLO算法,主要针对YOLOv2进行了改进,调整网络结构增加中低层与高层特征图的融合,采用新的损失函数,提高了对小尺寸人脸的检测率;针对MTCNN算法,本文采用新的激活函数和非极大值抑制方法,增加卷积层和全局平均池化层,改善了对被遮挡人脸的检测效果,同时加速了训练。上述改进有效提升了各个算法的性能。在训练样本上,本文把真实的教室学生图片放入训练样本集加以训练,将改进前后的Adaboost方法、YOLO算法以及MTCNN算法分别进行教室场景及毕业合照场景学生的人脸检测实验并对实验结果进行对比分析,最后还提出了学生人脸定时检测策略。实验的测试结果表明,基于MTCNN的人脸检测方法在检测正确率上取得最佳效果,能很好的应用于高校课堂的人脸检测,为其他大场景中人脸检测方案的选用提供了重要的参考价值。