人脸检测是人脸识别的前期工作，同时在安全访问控制、视频监控、基于内容的检索等领域也有着广泛的应用。人脸相关的应用和研究受到越来越多的重视，本文研究的就是视频监控中人脸的检测和跟踪技术。对于人脸检测的研究，已经经历了由简单到复杂，由静态图像检测到视频实时检测的发展过程。目前常见的人脸跟踪方法主要有：基于肤色信息、模型、运动信息和局部器官特征等几种。由于人脸模式错综复杂、易受干扰，所以很多常用的人脸检测算法一般都存在计算量大、速度慢、误检率高的弱点。肤色是人脸的重要信息，不依赖于面部的细节特征，对于旋转、表情等变化情况都能适用，具有相对的稳定性并且和大多数背景物体的颜色相区别。因此肤色在目前的人脸检测研究中也得到了广泛的关注和应用。虽然肤色算法具有简单、快速、姿态不变性的优点，但传统的肤色检测方法不能很好克服光照、摄像机差异、背景颜色干扰等因素的影响，不适合作为主要的人脸检测方法。但如果作为辅助的检测手段，则有很好的效果。基于彩色序列图像中人脸检测和跟踪技术的深入研究，本文系统地介绍了近年来相关的研究成果；提出了一个由粗到细的多阶段的人脸检测算法，该算法充分利用了序列图像中人脸模式的各种有用信息，将复杂的检测工作分为了三个部分：肤色区域分割预处理，人脸粗检及利用椭圆拟合的人脸区域提炼，应用人脸基本特征检测和定位的人脸细检。在肤色模型方面讨论了肤色在不同的色彩空间中的表现，通过对一定数量的样本选择色彩空间并建立了肤色模型，然后通过形态学等处理后得到候选区域，最后对候选区域使用椭圆拟合的方法进行验证。此外，本文还对人脸器官的提取提出了使用修正的人眼活动模板和利用颜色信息提取嘴唇的方法。实验证明，该算法能够有效地检测出复杂环境中的人脸；成功的跟踪任务除了依靠确定和验证匹配度的准则以外，很大程度上决定于搜索空间的尺度，特别是对于尺寸不断变化的人脸。通过运动预测可以有效地减小搜索区域，提高跟踪速度。原有的跟踪方法多数利用全局搜索进行跟踪，这大大地增加了运算量，降低了实时效果。本文利用图像中人脸帧间运动的特点，仅在人脸可能出现的区域，进行包括速度、加速度等运动状态的预测。提高了跟踪速度，保证了实时效果针对序列图像中人脸的自动跟踪问题，本文提出了一种基于Kalman滤波的运动预测与自适应模板匹配相结合的算法，该算法对于人脸的平移、缩放都能很好地适应。最后本文对所使用的方法作了一个总结并对下一步的工作进行了展望并提出了若干建议。