人耳检测是指从那些包含人耳的图片或视频中准确的判断出人耳所在位置的过程。目前对于人耳检测的研究还处于起步阶段,很多检测和定位的方法往往要借鉴于人脸检测,但人耳同人脸相比具有目标小、纹理特征不明显等诸多问题；此外,由于缺乏同标准人脸数据库类似的统一标准的人耳库,从而极大的限制了人耳检测技术的研究及发展。　　 本文首先采用一种特殊的人耳采集方法,建立了真正意义上的非受限人耳数据库。在此基础上,本文针对传统Adaboost算法存在的样本训练时间过长、过于依赖样本质量等诸多问题；在分类器训练不足及初始入耳定位不好的情况下,综合了YCbCr肤色模型和多模板匹配技术对人耳进行了精确的定位。算法改进后的人耳检测性能得到了很大的提升,有效的消除了误检及检测过程中出现的多框、框选不全等现象,对静态人耳的检测率达到了94％,并且能够实时的进行动态人耳的检测。其次,本文也使用了Gabor特征提取及神经网络分类,并结合模板匹配技术进行人耳的检测和定位,实验结果表明算法是有效的,且能够实现对低分辨率人耳图像的精确检测。　　 最后,结合实际应用,本文选择了合适的人耳检测算法；并基于openCV开发了一套动静态人耳检测原型软件。实践表明,本文提出的人耳检测方法在多姿态、遮挡、光照变化等非受限情况下都能实现准确稳定的人耳检测。