近年来人脸检测技术在研究人员的不懈努力下已经得到了快速发展,然而与实际应用的需求还有较大的差距。在非约束条件下,由于受到拍照姿势,成像距离以及光照等影响,我们获取到的人脸图像通常都比较模糊,这对图像分析、提取特征等任务十分不利,从而也导致人脸的检测率大大降低。因此,如何解决自然场景下人脸检测的准确性、稳定性和高效性是近年来模式识别与计算机视觉领域内活跃的研究课题。为了提高人脸检测在实际场景上的应用性,本文所做研究内容如下:(1)针对MTCNN等现有模型检测低分辨率小人脸时碰到的局限性和弊端,本文提出构建基于辅助视觉任务的多任务深度网络模型。首先通过构建堆叠沙漏网络模型,成功在人脸图像中提取人脸特征信息,弥补了卷积神经网络中浅层特征本不具备的高层语义信息,增强了深层特征易丢失的目标纹理信息。并在此基础上研究了基于先验信息和生成对抗网络融合的人脸检测模型(TFPGAN),将图像超分辨率重建作为人脸检测的辅助视觉任务,提出了新的生成对抗网络模型,有效缓解小目标的特征粗糙问题,在恢复图像细节的同时也能提高小尺度人脸的检测精度,并与其他现有模型进行了实验对比证明其有效性。(2)研究了如何通过自注意力机制改进我们的模型。注意力机制能够利用归一化函数计算出深层特征中有关人脸与背景语义分割信息的概率分布,通过不同的概率分布,我们可以直接筛选细粒度浅层特征中人脸的位置和尺度等特征。本文利用残差模块与自注意力机制组成的交互共享结构使注意力概率分布充分表达目标类别语义上下文信息,充分利用人脸图像的全局特征信息,大大提升了图像的重建效果和检测精度,进一步提升了我们的模型对不同真实场景的鲁棒性。