随着机器学习和计算机视觉研究的不断发展,通过算法自动对现实世界里的目标物进行检测成为了可能。而在目标物检测领域内,人脸检测无疑是现实需求最大、相关研究最多的领域之一。人脸检测的算法自从选择了Adaboost机器学习算法作为主要框架,并由Viola和Jones进行了适用于人脸特征的改进后,已经渐渐从实验室的理论走向了成熟和实用。不过在实际应用铺开的同时,人脸检测的研究领域里其实还有许多尚待解决的问题,分类器训练时间过长就是问题之一。为了缩短训练分类器所需时间,本文提出了两种方法对人脸检测算法进行改进。首先,本文提出了部分集分类器的猜想,即在分类器学习过程中,不完全学习在一定条件下等同于完全学习,用部分采样代替完全学习来减少训练时间。按照此猜想,本文提出了构建部分集分类器的固定分块法和可变分块法,并将其运用在Haar特征窗口和样本图像块的匹配计算上。实验证明,部分集分类器的猜想是可行的,在显著地减少训练时间的同时,对检测精度的影响很小。其次,本文分析了人脸检测算法中可以并行化的过程：Adaboost样本训练过程和Bootstrapping图像块筛选过程。在OpenMP平台的支持下,本文用四核并行框架对算法进行了优化处理。实验表明,并行优化后的算法训练时间明显下降,而且由于图像计算中弱关联性的特点,并行化不会影响检测精度。最后,我们把部分集分类器和并行计算框架这两种方法结合起来,在实验中使算法的训练时间减少为优化前的六分之一,并和人脸检测领域里有代表性的Viola和Jones的传统人脸Adaboost算法、吴建鑫的FFS算法进行比较,证明了本文算法比前人算法在检测特征曲线上更优良。