近年来,随着深度学习相关技术的发展,人脸检测取得显著进展。然而,面对低分辨率、严重遮挡、背景干扰等复杂人脸,现有方法的高准确率仍较高依赖于复杂模型和计算资源,在应用于现实场景的人脸检测任务时受到一定限制,因此单阶段及轻量级复杂人脸检测方法受到广泛关注。本文基于单阶段网络框架,通过注意力机制改进、轻量化模型设计等方法对复杂人脸检测问题展开研究,在公开数据集上进行了验证和测试,取得了检测准确率、推理速率和计算资源等相对较好的平衡,并设计了相关算法的人脸检测软件。主要内容包括:（1）提出了改进的YOLOv3-attention复杂人脸检测模型,引入注意力机制提高深层网络的特征感知能力,采用数据增强提升模型对复杂人脸特征的学习能力;改进后的模型在Wider Face数据集上分别取得了0.942,0.920和0.821的检测精度和28FPS速率,且在复杂子集上较原模型准确率提高幅度最大（5.3%）,超过了部分当前的先进算法,并在FDDB数据集上取得0.965的准确率;表明所提模型是一个复杂人脸检测准确率和效率较高的有效模型。（2）提出了改进的Retina Face轻量级复杂人脸检测模型,以MobileNetV2作为骨干网络,引入轻量级注意力机制和可变卷积,提高有效特征和多尺度信息的学习能力;在损失函数方面做剪枝优化,提高检测效率;在测试阶段将非极大值抑制替换成Soft-NMS,提高准确率;改进后的模型在Wider Face数据集上分别取得了0.942,0.926和0.832的精度和149FPS的速率,困难子集上较原模型提升8.7%,且在FDDB数据集上取得0.979的精度,泛化性较好;所提方法展现了复杂人脸检测准确率和效率间良好的平衡。（3）基于MAFA和Wider Face的数据图片,统一数据标注格式并添加口罩佩戴分类标签,构建自制数据集Mix Face;以MobileNetV2为基础框架,采用联合池化等方式提升特征利用率,所提出的口罩佩戴检测器在Mix Face和MAFA数据集上分别取得80%和79.4%的平均精度和46FPS的推理速率;结果表明,所提模型在口罩佩戴情况检测方面取得了较高的精度并可实时检测。