近年来，互联网的飞速发展大大促进了新技术的发展和普及。其中，人工智能技术的进展尤为迅猛，随着算法的不断完善，越来越多的智能设备开始进入我们的家庭生活中。这些智能设备普遍都需要机器视觉的模块，例如，智能电视的远程手势操作，智能家庭管家的人脸识别解锁。得力于深度学习等新技术的发展，检测算法在准确率和召回率上都有了很大的提升。然而搭载于嵌入式系统上的深度学习算法往往受限于其过慢的计算时间，所以为了达到交互操作的实时性，我们往往还是得使用传统的级联分类算法作为检测算法。　　本文根据家庭环境的需求制定了一套图像采集和标注方案。分析了适用于硬件平台的检测算法，采用NPD特征作为人脸图像特征提取的方法并且使用特征表缩短了特征计算的时间，同时优化了Adaboost分类器，减少了过滤负样本的计算量。　　另一方面，为了充分利用深度学习的检测效果和服务器GPU单元的强大性能，本文提出一种在线模型训练与更新系统，在智能硬件端部署传统的级联分类算法，达到实时交互的工业要求。同时收集客户使用环境的数据和误检测数据，上传至服务器端进行优化学习，将定制化家庭环境的模型数据更新到智能硬件以提升检测效果。通过在线学习，同时满足了检测系统的实时性和鲁棒性。