相比传统人脸检测方法,运用深度学习理念的人脸检测算法在检测精确度上有很大优势,它拥有深层次的主干网络,能够提取到图像中更抽象的特征值,模型结构更加复杂,候选框等参数设置更加合理,使得模型不受人工调参的影响,识别结果更加准确。随着软硬件水平的发展和各行各业不同的需求,近年来人脸检测的场景从之前单一的室内背景演变到街道、商场、公共交通站台这样的复杂背景。同时对人脸检测的技术要求也日益增高,在检测图像中常常出现人脸的角度各异,人脸被口罩等物体遮挡,以及人脸数量密集重叠的问题。这些问题的出现给人脸检测带来了重重考验,很多传统的检测方法已经不能胜任。纵观人脸检测技术的发展,各式方法种类繁多,以近年来快速发展的基于深度学习的人脸检测方法最具有代表性。在众多卷积神经网络模型中,残差神经网络表现突出,在特征提取的方面效果优秀,深层次的卷积网络因为拥有了残差结构的加持,训练的效果也十分优秀,损失函数不会出现梯度爆炸等问题,很适合作为人脸检测框架的主干网络。在检测框架方面Faster RCNN是一种应用广泛的通用目标检测算法,在人脸检测的领域效果出众,检测速率和准确度都有所保证。为了更好的解决当下人脸检测遇到的问题,本文提出了对残差网络的改进和对检测框架Faster RCNN的改进。本文先基于卷积神经网络的理论基础研究了其在人脸检测中的应用,再根据现有问题提出了对Faster RCNN中的RPN网络的改进,使得检测框架能够多尺度的处理人脸图像,使用Soft-NMS代替原来的筛选机制,优化检测框架对人脸重叠遮挡的问题。之后本文构思了残差神经网络的改进方向,将注意力机制模块引入残差网络的残差学习分支,在残差分支中加入SE部分,让特征通道之间相互关联,可以自动调节通道的特征响应,让残差网络和注意力模型相融合,让注意力机制有效的获取到人脸图像的细节,并将改进后的残差网络作为检测框架的主干网络。最后分析改进算法模型的具体参数,并设计损失函数的样式。将模型在公开数据集上训练和测试并且调优,根据评价指标给出改进模型的检测效果。