近年来,随着计算机硬件的飞速发展、更多的人脸数据集和深度神经网络的不断改进完善,基于深度学习的人脸检测算法已成为了人脸检测的主流,并在多数场合特定环境下,满足了大数据时代背景下人们对于人脸检测系统的性能、实时性、准确性以及智能性方面的需求。但是,在视频监控等领域,系统设备由于受到成像设备性能、特定环境、目标距离、光照天气等因素影响,无法提供高清图像进行后续的人脸检测分析,而当前人脸检测算法在低分辨率人脸检测效果上并不理想。目前在低分辨率人脸检测问题上,大多采用超分辨率图像重建方法,即通过生成高分辨率图像来对人脸做进一步检测。因此,本文通过改进基于GAN的超分辨率重建网络,并结合前置基础人脸检测器S~3FD来联合完成对低分辨率人脸的检测。本文主要研究内容如下:（1）提出了基于超分辨率重建的低分辨率人脸检测模型,以解决人脸检测算法应用在低分辨率人脸检测上效果不佳的问题。该检测模型首先对GAN的生成器和判别器以及损失函数设计上做了相关改进,生成器方面,借鉴了SRGAN超分重建模型中生成器的网络结构,判别器方面,采用了Res Net-50网络结构来提高特征提取能力,同时去掉了部分池化层,在全连接层部分添加了用于人脸分类的分支网络结构,在损失函数设计方面,分为重建损失和分类损失,重建损失函数的设计采用了像素间损失函数和对抗损失函数,人脸分类损失则采用了常用的交叉熵损失函数,然后基于以上改进,提出了MGAN超分重建模型,最后将改进的MGAN模型与基础人脸检测器S~3FD结合,共同完成低分辨率人脸检测任务。（2）提出了基于特征融合的低分辨率人脸检测算法,对前置基础人脸检测器S~3FD做结构上的改进,进一步提高低分辨率人脸检测效果。该算法借鉴了FPN特征金字塔的思想,考虑到高层和浅层特征层在特征分布上差距较大,直接融合会引入噪声影响,反而降低特征提取的能力,因此,对S~3FD的6个预测层采用了分组特征融合策略,针对小人脸,使用S~3FD浅层的三个预测层进行特征融合来提升提取特征的能力,对常规尺度人脸,使用S~3FD中较高层的两个预测层进行融合来提升特征提取能力,对于大尺度人脸,则直接使用最高预测层,不再进行特征融合,最后将融合后的S~3FD与MGAN结合来进一步提升人脸检测能力。（3）设计了一个人脸检测原型系统,将上述两个改进的人脸检测算法封装到了人脸检测模块,来进一步完善人脸检测系统。