人脸检测是模式识别与计算机视觉研究领域比较基础和重要的研究课题，在基于内容的图像与视频检索、视频监控、自动人脸识别以及智能人机交互等领域有着重要的应用价值。人脸检测方法经过长期的发展，已经取得了显著的成绩，应用比较广泛的是基于统计的人脸检测方法。Paul Viola等人提出的基于积分图像和AdaBoost的检测方法，在准确度及实时性方面都有着较高的表现。本文对Paul Viola提出的快速正面人脸检测方法进行了深入研究并作改进。针对训练耗时的问题，本文采取新的训练流程，即通过存储分类结果来加快训练速度。在实验的基础上，本文重点研究了学习算法和特征的组合方式对检测率和误检率的影响。研究结果表明，扩展矩形特征可有效地提高检测率；高性能的学习算法对加快训练系统的收敛速度有较大的意义。对训练集的构建问题本文也进行了深入的探讨和研究。研究发现，侧面人脸样本比例较低的训练集能够优化级联分类器的结构。针对“自举”非人脸方法的不足，本文提出了一种改进方案，通过挑选与人脸样本相近的非人脸样本构成样本库，可有效地减少补充非人脸样本集的时间。本文最后搭建了一个快速的人脸检测系统，并与其它系统的性能进行了比较。在标准测试集上测试结果表明，本文的人脸检测器检测率接近90％，同时具有较低的误检率。