人脸检测是图像识别和图像跟踪的基础,在计算机视觉和模式识别等领域中有着重要的应用价值。人脸检测的关键是人脸特征的提取,有效的特征提取对人脸检测的精度和速度有很大的影响,所以改进现有的人脸检测方法是有效进行人脸检测的重要手段。目前,关于人脸检测的方法有很多,世界上各国的学者们也在不断研究改进现有算法的精度和速度,以其达到检测速度和检测精度的同步提升。传统的人脸检测算法有VJ框架、SVM分类器和Boosting算法等,基于深度学习的人脸检测方法分为单阶段（One-stage）SSD和YOLOV1算法等、双阶段（Two-stage）RCNN和FasterRCNN算法。本文研究的两种人脸检测算法分别是Adaboost算法和Retinaface算法,并将两种算法用于图像多目标人脸检测。在对两种算法复现的基础上,先是分析了Adaboost算在不同干扰特征下出现的误检、漏检等情况,并提出一些改进策略。然后重点对Ratinaface算法进行研究,并提出一些改进策略和具体的改进方案,通过对检测结果的分析,说明改进的Retinaface算法在提高人脸检测精度方面是可行的。其中,本文所完成的主要工作如下:（1）使用Haar-like算法提取出人脸的矩形特征,并将该特征与Adaboost算法结合,用于图像多目标人脸检测。针对Adaboost算法,重点分析了该算法在不同干扰对特征提取影响下的图像多人脸检测情况。虽然该算法用于人脸检测具有良好性能,但因为特征提取的局限性,对于遮挡、背景复杂干扰,会出现漏检、误检等结果,所以Adaboost算法还是有改进空间的。最后,结合以往学者使用Adaboost算法用于人脸检测研究的基础上,提出了一些改进策略,如:改进特征提取方法或结合新的特征,使用提取的特征结合Adaboost算法等。（2）使用Retinaface算法进行图像多目标人脸检测,先是使用Retinaface算法对WIDAFACE人脸集进行检测。Retinaface算法是目前人脸检测算法中检测结果较好的原因其网络结构的五个部分有关（包含主干网络、FPN和SSH层等）。于是分别对基于Resnet主干网络和Mobilene0.25为主干网络的Retinaface网络结构的其余模块进行修改,且每个模块的改进对人脸检测的精度均有不同程度的提高。因此,基于上述结果分,提出了改进的Retinaface算法用于图像多目标人脸检测,即将所有改进的模块通过一定的调整后结合在一起,基于Resnet网络和Mobilene0.25网络的人脸检测的精度均达到最高。