人脸检测作为人脸识别的基础,是人脸识别的关键技术之一。随着我国经济的高速发展和人工智能技术的日益成熟,人脸检测在安防、交通、电子商务等领域的应用也越来越广泛。早期的人脸检测算法主要是通过人工设计提取有效特征,训练分类器来进行人脸检测,对环境影响很敏感;随着深度学习的快速发展,基于卷积神经网络的检测算法可以通过大量数据集的训练,自动提取出具有强鲁棒性的特征,从而适应无约束环境。但基于深度学习的人脸检测算法也面临着一些问题:神经网络随着卷积层深度的增加,可以获得更好的性能,但会增加计算量,降低检测速度。而随着基于移动端的人脸检测需求的增多,如何在计算资源有限的情况下,保持网络精度,实现实时人脸检测,是基于深度学习的人脸检测算法的一大挑战。本学位论文综合考虑了基于关键点对和无锚框机制的检测策略,并结合轻量化网络的设计思想对现有的工作进行了一些改进:(1)基于关键点对和轻量化网络的人脸检测方法。现有的基于Anchor的目标检测计算量大,且需细致的人工设计。本文改进检测策略,将对于锚框的检测转化为针对一对关键点的检测,同时引入角池化操作来确定角点的位置。针对提取特征的主干网络的选取,实验对比研究了两种轻量化主干网络的性能,提出了基于关键点对和轻量化网络的实时人脸检测算法,并就多方面和主流网络的人脸检测算法进行了对比分析,验证了该方法的有效性,实现了在边缘器件上的实时人脸检测。(2)基于无锚框机制和深度可分离卷积的人脸检测方法。在重新思考了人脸检测任务特性,研究了感受野和有效感受野与人脸尺度之间的本质关系后,引入有效感受野来代替滑动窗口和Anchor策略,提出了一个简单的仅有20层的基于无锚框机制的单阶段人脸检测网络。同时结合轻量化网络设计思想,设计了更高效的基于无锚框机制和深度可分离卷积的实时人脸检测网络。得到了更快的前向推理速度,实现了人脸的实时检测,通过和主流的人脸检测方法进行多方面对比分析说明了该算法具有计算量少小、计算效率高等优点。本论文所提出的两个基于轻量级卷积神经网络的结构更加精简,不需要手工设计锚框,可以在实现单阶段的实时人脸检测的同时获得较好的检测精度。