人脸检测问题最初作为人脸识别系统的定位环节被提出，近年来由于其在安全访问控制、视觉监测、基于内容的检索和新一代人机界面等领域的应用价值，开始作为一个独立的课题受到研究者的普遍重视。人脸检测是指在图像中通过某种方法找到单个或多个人脸的位置和大小，是人脸识别、人脸跟踪、姿势估计以及表情识别等研究的第一步。而基于人脸特征的性别识别的研究又是近期模式识别中的热点问题，它的研究成果在某些公共场合对人群的性别分析将可以起到很大的作用。以往的人脸检测方法在速度或准确率方面总是有一些不足的地方，而性别识别又是个崭新的研究热点，所以研究出一种既快速又准确的人脸检测方法，并且在此基础上研究出有效的性别识别方法具有重要意义。本文分析了模糊集理论运用于人脸检测的可行性，采用Haar矩形特征和隶属度函数对样本集进行训练，运用特征集的熵和AdaBoost算法选取适当的弱分类器，并构建了分发型人脸检测器。检测时，对于不像人脸的子窗口通过靠前的结构简单的强分类器快速将其淘汰掉；对于像人脸的子窗口，根据其与人脸的相似程度，由分发器动态的选择后面的强分类器进行判定。在MIT+CMU的正面人脸图片集中进行了测试，实验结果表明，此检测器在检测性能降低不大的情况下，可以有效的提高检测效率。