人脸检测(Face Detection)是指采用一定的算法或策略对任意的输入图像或图像序列进行搜索遍历,从而判断其中是否包含人脸,如果包含人脸,则定位出每个人脸的位置、大小以及姿态。人脸检测是人脸信息处理中的一个关键环节,是自动人脸识别的前提和基础,人脸检测性能的好坏,直接影响着人脸信息识别的结果。目前,人脸检测已经广泛应用于生物特征识别、视频监控、人机交互、安防系统、内容检索及电视会议等领域。本文针对人脸检测中存在的问题与难点,对人脸检测的若干关键技术进行了深入的研究,具体研究内容主要包括：(1)为了去除噪声对人脸检测结果的影响,提出了利用EMD(Empirical Mode Decomposition)的自适应图像去噪方法。该方法首先对噪声图像按照列、行、左对角和右对角方向一维展开,分别进行EMD处理,采用提出的基于噪声标准差的自适应阈值对各个IMF进行局部硬阈值去噪,将去噪后的IMF进行反变换,分别获得按照四个方向展开所对应的去噪后图像,然后将它们加和平均得到去噪后图像。该方法能够有效地去除图像的噪声并保留足够的图像细节。为了提高人脸检测的速度,提出一种基于肤色相似度和动态阈值相结合的肤色分割算法,以实现预先去除人脸图像中的大量背景区域。该算法首先在YCgCr色彩空间计算肤色相似度,然后给出一种基于类间方差和类内离散度相结合的动态阈值确定方法,并根据求得的动态阈值对输入图像进行肤色分割。该算法具有较强的适应性,能够较好地克服光照变化的影响,明显改善肤色分割性能,对提高人脸检测的速度与性能起到关键的作用。(2)在人脸检测问题中,人脸样本和非人脸样本在概率分布上存在着极大的不对称性,即非人脸样本的数量明显多于人脸样本的数量。针对人脸检测中正负样本的非对称性,对AdaBoostSVM算法进行改进,提出基于样本非对称性的AdaBoostSVM人脸检测算法(SA-AdaBoostSVM算法)。该算法在评估每个弱分类器的重要性时,其评价系数不仅决定于错误率,还考虑了该弱分类器对人脸样本的识别能力,从而增大了人脸样本在训练中的作用。这一算法可以提高人脸检测分类器的训练收敛速度,明显改善正面人脸检测的性能与速度。(3)多姿态人脸检测中,人脸姿态具有极强的不确定性,存在很大的变化空间,且其变化过程具有连续性和复杂性,为此,提出一种基于多特征融合与改进的决策树级联结构相结合的多姿态人脸检测算法。该算法首先对边缘方位场特征进行改进,给出基于形态学梯度的边缘方位场特征,然后将其与Haar-like特征和三角积分特征相融合,对SA-AdaBoostSVM算法进行训练。同时,该算法还对决策树级联结构进行改进,在训练和检测阶段,允许边界邻域范围内的人脸样本同时进入决策树级联结构的两个分支。实验结果表明,该算法能够充分发挥不同特征的互补优势,达到速度和性能的全面改善,为更好地解决多姿态人脸检测问题提供一种较为有效的方法。(4)人脸表面由于一些遮挡物的存在,导致不能提供人脸检测所需的全部信息,直接影响着人脸检测结果。针对这一问题,提出基于组件距离匹配度函数的部分遮挡人脸检测算法。该算法首先采用SA-AdaBoostSVM算法对人脸的核心组件(左眼、右眼、鼻子、嘴)进行检测,然后采用基于组件距离匹配度函数的方法对检测出来的组件进行整合验证,进而实现部分遮挡人脸的定位与检测。该算法能够提高部分遮挡人脸的检测性能与速度。本文对人脸检测的预处理、正面人脸检测、多姿态人脸检测以及部分遮挡人脸检测问题展开了深入研究,并取得了一些创新性成果,为人脸检测的进一步发展做出一定的贡献。