人脸检测是计算机视觉与模式识别领域非常活跃的研究课题，在身份验证、人机界面、可视通信、虚拟现实、公安档案管理、基于内容的图像检索等很多方面都有着广泛的应用。 作为人脸识别的重要的第一步，人脸检测所做的工作是将人脸从图像背景中检测出来，它是人脸识别、视点跟踪和人脸图像压缩等应用中的重要环节。由于受图像背景、亮度变化及人的头部姿势等因素的影响，使得人脸检测成为一项复杂的、具有挑战性的研究课题。 本文论述了人脸检测技术的基本概念，分析和探讨了多种人脸检测方法的基本理论，对人脸检测方法进行了深入的研究和讨论，实验表明本文提出的人脸检测方法是合理的，具有一定的理论价值与实用价值。本文的研究工作主要包括以下几个方面： 1．基于AdaBoost学习算法，从一个较大的特征集中选择少量关键的haar-like特征，产生一个高效的强分类器。再用级联方式将单个的强分类器级联成为一个更加复杂的级联分类器。针对AdaBoost算法在训练过程中出现的退化问题及样本权重扭曲的现象，本文对样本权重的更新规则作出了适当的调整，在一定程度上避免了退化现象，提高了分类器的性能。实验结果表明，新的人脸检测器检测效果显著加强。 2．针对彩色图像的肤色信息，实现了人脸肤色检测。在比较了几种常用的色彩空间后，文中采取的是色度和亮度分离的YCbCr空间，实验证明肤色检测对于不同姿态、不同表情的人脸均有较好适用性，肤色信息在快速人脸检测中具有很高的实用价值。 3．针对肤色检测对复杂背景下的图像误检率高和AdaBoost算法对多姿态、多人脸图像检测效果不理想的问题，本文将基于肤色的人脸检测与基于AdaBoost算法的人脸检测结合起来，提出一种新的人脸检测方法，实验表明，该方法同时具有肤色检测正确率高与AdaBoost算法误检率低的优点，可以有效地运用于多姿态、多人脸和复杂背景的情况，具有较好的检测效果。