人脸检测作为人脸信息处理中的一项关键技术,是许多人脸图像分析应用如人脸识别、人脸配准、人脸追踪、人脸属性识别（性别、年龄和表情）等的前提和基础,也是应用数学与计算机视觉的交叉前沿课题。本文提出了一种基于深度学习和特征融合的人脸检测方法。首先,本文在深度卷积神经网络（DCNN）的基础上,提出深度多层级特征融合卷积神经网络。本网络采用Inception和Skipconnection等结构组合,增加网络深度的同时减少了模型参数,在一定程度上缓解了训练过程中的梯度弥散问题。由于仅利用高层抽象特征难以充分描述图像的细节信息,因此,采用特征金字塔结构,结合了高层语义信息和底层细节信息,丰富图像的特征表达。实验结果表明,该网络结构的设计和组合,超越了其他基础特征提取网络结构。然后,基于Faster RCNN的检测框架,将上述构建的深度多层级特征融合卷积神经网络作为基础特征提取网络结构,在候选区域提取阶段,采用多区域特征融合的方法捕捉人脸的不同方面,如整体外观特征、不同区域细节特征和上下文信息等六种区域,提出Multi-Region Proposal Network（MRPN）,每一个区域聚焦于人脸的不同区域以得到有分辨性的表征,得到的丰富特征有助于提高复杂情况下的人脸检测性能,同时结合在线难例挖掘（OHEM）方法进一步提升候选区域质量。进一步,针对不同的候选区域设计损失函数Block Loss,加强模型对于不同候选区域的关注,使得模型对遮挡等复杂情况具有鲁棒性。最后采用Soft-NMS进行检测结果后处理,实验表明,该Block Loss与Soft-NMS方法能够有效提升最终检测结果。最后,实验证明我们的方法对于较小尺寸、严重遮挡、模糊等复杂情况的人脸检测具有较好的性能,在FDDB人脸检测标准数据库上,误检数为500时,召回率达到96.10%;在AFW标准数据库上,平均准确率达到99.48%。