随着人工智能的快速发展,机器的智能程度越来越高,在现今的人工智能研究工作中,人脸无疑是重要的研究对象。人脸研究的首个步骤往往是人脸检测,即从图像中检测出存在的人脸以及获得其准确位置。如果能够在图像或视频中准确地检测出所有人脸,我们的智能机器将更好地为人类服务。在复杂环境中的人脸检测是具有挑战性的任务,其难度来源于人脸本身的性质变化以及外部环境的多样性。人脸检测本质上包含分类与定位两个任务,其中被检测对象的定位准确性是一个重要的检测效果衡量指标,准确的定位能够在保留检测对象信息的同时减少冗余信息。然而,现今大部分的人脸检测算法没有对定位效果投入足够的重视,部分现有的人脸检测算法加入了一些辅助定位方法,但他们没有充分发挥辅助定位方法在检测过程中的作用,这限制了检测算法的最终效果。人脸分割在前背景剥离等应用场景中具有重要意义,将人脸分割作为辅助任务引入人脸检测中,增加功能的同时,利用两个任务的内在联系可以获得定位效果和整体效果增益。本论文聚焦于通过提高检测算法中的定位准确性来提升整体检测效果,提出一种迭代式候选框调整方法来逼近最准确的人脸区域,并设计和训练了基于金字塔池化的多任务人脸分割模型来对人脸区域进行像素级别的精细刻画。从算法整体来看,本文构建了基于深度卷积神经网络模型的级联结构人脸检测与分割方法,该算法首先通过全卷积网络进行快速粗检测获得初步的检测候选框,接着利用迭代式候选框调整对候选框进行渐进式的位置调整,最后通过多任务人脸分割模型对候选框进行再次分类和分割,将分类、分割两种结果整合形成最终检测结果。本文方法在该领域常用的AFW、FDDB等公共测试集上进行了实验,实验结果表明,本算法的定位效果优秀,并且定位效果的增强能够有效提高算法的整体检测效果,与现有的先进人脸检测算法相比,本算法具有一流的检测能力。