近年来人脸检测被广泛应用在校园门禁、刷脸支付、视频监控和目标追踪等各个方面。同时,人们在实时性、安全性和可靠性上,对基于人脸的特征点定位、检测和识别等相关应用提出了更高的要求。此外,在人脸密集、尺度不一、与背景高度相似以及高度遮挡等复杂场景中,人脸检测经常达不到预期效果,人脸检测技术上的挑战依然存在,复杂场景中的鲁棒人脸检测仍然是国内外的热点研究。为了提高人脸检测在复杂场景中的应用性,针对检测中遇到的问题和挑战,论文设计实现了一种基于YOLOv3的鲁棒人脸检测模型,具体工作如下:（1）复杂场景中,人脸目标与图像背景在形状、颜色相似时,容易出现误检现象,本文提出了一种基于注意力机制的人脸检测方法YOLOv3-attention。首先设计了基于混合域的注意力模块,通过生成特征权重的方式,获取图像中所需重点关注的人脸区域信息,抑制无关的背景区域信息。此外,网络中使用的anchor也是一个重要的部分,本文采用K-means++算法对人脸真实框的尺寸进行聚类分析,设置更小尺寸的anchor box来捕获小人脸目标。通过WIDERFACE人脸数据集上的实验,验证YOLOv3-attention方法与YOLOv3相比在人脸上的召回率有明显提高,网络检测精确度也进一步提升。（2）图像中人脸尺度不一,模型在大中尺寸的人脸上可以获得较高的检测精度,但是对于小人脸的检测效果不好。为了解决场景中小人脸的漏检问题,设计了一个提高低分辨率小人脸检测性能的检测模型SR-YOLOv3-attention。网络采用Dark Net53作为骨干网络,首先使用混合域注意力模块对模糊和小的人脸的输出特征进行处理,然后融入超分辨率重建模块对低分辨率的人脸进行数据增强,以此弥补浅层特征中不具有的高级语义信息,增强深层特征丢失的目标纹理信息。在WIDERFACE数据集上进行测试,SR-YOLOv3-attention在easy、medium和hard三个测试子集上的检测精确度分别为0.946、0.937、0.872,与其他人脸检测算法MTCNN、CMS-RCNN、HR和S3FD相比,在测试子集hard上测精度分别提高了0.243、0.229、0.053、0.013。实验结果验证了SR-YOLOv3-attention可以很好地利用人脸信息,有效地检测出图像中的难检测人脸,具有很好的鲁棒性。