随着深度学习技术的快速发展,人脸检测因其重要的学术价值和应用价值,广泛应用于智能交通,金融安全等领域。鉴于自然场景和人脸本身的复杂多变性,对复杂场景下人脸检测带来了巨大挑战。目前,基于深度学习中深度神经网络的人脸检测算法在学术界和工业界都取得了优于传统算法的效果,逐渐受到高度重视。相比于R-CNN系列通用目标检测方法,人脸检测MTCNN(Multi-Task Convolutional Neural Network)算法具有人脸检测速度快,空间占用率小等特点。教室环境中的人脸图像由于光照、人脸面向以及遮挡等因素的影响,使得基于MTCNN的人脸检测准确率低、误检率大。基于MTCNN对非正向人脸检测效果不理想的情况,本文对教室环境中人脸检测MTCNN算法进行了深入研究和改进。主要研究工作和成果包括:(1)将MTCNN算法引入教室环境人脸检测,在标准人脸数据和教室环境人脸数据进行人脸检测对比,对检测效果和误检情况进行具体分析得出教室环境中人脸面向是影响人脸检测准确率的因素之一。(2)基于教室环境训练样本数量的限制,对MTCNN网络模型参数进行迁移学习,减少了模型训练时间,经过参数微调后的模型减少了人脸的重复预测框。(3)调整人脸特征点对齐模块,改进MTCNN网络模型结构,使模型在教室环境人脸测试集上的人脸检测不依赖于人脸特征关键点,提高了算法的检测时间效率和人脸检测准确率。(4)针对教室环境中MTCNN的误检情况,根据模型在人脸图像上检测人脸给出的分数,提出了基于人脸相似度的误检判别式,使误检情况大为改善。最后通过多组实验结果对比,初步证明了本文算法改进后的有效性,提出的改进策略对教室环境中人脸检测的准确率有了明显提高。