人脸检测是人脸识别的第一步，在安全系统中有着重要作用，如嵌入式监控系统等。对于任意一副图像，人眼可以直接判定是否存在人脸，但是计算机就需要对图像进行计算统计来判定是否存在人脸，如果存在就需要统计出人脸的尺寸以及位置，这个过程被称作人脸检测。AdaBoost算法因其有着高检测率以及检测速度快等优点，成为目前人脸检测领域最为成功的算法之一。但是在实际应用中，提高AdaBoost算法的检测效率非常重要。本文着重关注人脸检测阶段，通过对人脸检测速度以及误检率的影响因素的研究，提出了如何快速、准确的在一副图片中检测出人脸。本文的主要工作包括：（1）通过研究AdaBoost人脸检测过程中缩放方式对检测速率的影响，针对分辨率为640x480的随机图片，建立了人脸尺寸高斯模型以及单幅人脸权重模型。这两个模型的建立，有助于分析人脸分布趋势，应用于人脸检测过程中，有助于减少重复检测以及无效检测。（2）根据建立的人脸尺寸高斯模型以及单幅人脸权重模型，提出了新的人脸检测的缩放方式，该方法能够快速判断人脸尺寸出现的最可能范围，并根据此范围来设定缩放系数。实验表明，对于单幅人脸图片，该方法能够有效的提高检测速度。（3）通过对特征脸的分析，设计一种基于优化后的AdaBoost检测算法的BP神经网络检测模型，该模型中BP神经网络采用分级方式，并利用人脸分布高斯模型设置分级方式。首先由优化后的AdaBoost算法对原始图像进行检测，获取人脸区域范围，然后用分级BP神经网络对该范围进行判定，获取最终结果。