人脸检测技术因其应用领域广泛,具有较高的使用价值,因此作为计算机视觉研究领域中的热点一直备受关注。然而在实际复杂场景的使用中,人脸检测容易受到与成像设备距离远近、成像角度、外部环境光线明暗变化以及不同程度遮挡等因素的影响,造成检测精度无法达到标准。同时,人脸检测应用还需具备较快的检测速度才能满足实际应用需求。YOLOv4网络检测方法兼具较好的检测精度和较快的检测速度,是目前公认的通用目标检测算法之一,将其应用于人脸检测可以达到良好的效果,但是也存在着部分误检,小尺度人脸漏检等问题。本文提出的改进YOLOv4算法的人脸检测方法针对以上等问题进行相应研究,主要研究工作有如下三点:（1）提出了一种新的特征提取主干网络结构。首先,在多尺度特征融合PANet体系结构中采用特征增强模块（Feature Enhance Module,FEM）进行特征增强。该模块不仅融入了上下文中不同层级的特征信息,还分别通过一次,两次,三次的膨胀卷积子网融合获得了扩张的感受野,得到特征增强的特征图,从而使整个网络获取了更多有辨识度和鲁棒性的特征,提升了对人脸特征的提取与表达能力,进而提高了模型人脸的检测精度。除此之外,在YOLOv4的主干网络CSPDarknet53上进行改进,将第一个跨阶段部分（Cross Stage Partial,CSP）替换成原始的Darknet残差层。最后,将路径聚合网络（Path Aggregation Network,PANet）中的空间金字塔池化（Spatial Pyramid Pooling,SPP）进行跨阶段连接化（CSP-ized）。（2）在YOLOv4网络的置信度损失函数上,结合焦点损失函数（Focal Loss）提出了一种新的损失函数。焦点损失函数主要用于解决在单阶段目标检测网络中正负样本比例失衡的问题,通过参数设置可以降低大量简单人脸样本在训练中所占比重,提升对小尺度困难人脸样本训练的侧重,从而最终达到提高对小尺度困难人脸样本的检测效果的目的。（3）在以上改进基础上,进行了轻量化设计,采用深度可分离卷积替换原始网络中多尺度特征融合PANet体系中普通卷积的方式,在未损失主干特征提取网络特征提取能力的同时,一定程度上,减少了整个模型的参数量,加速了模型人脸检测推理速度。最后在WIDER FACE人脸数据库上对本文提出的方法进行了广泛的验证,实验结果表明,本文提出的改进YOLOv4算法的人脸检测网络不仅有效降低了人脸误检率,同时在小尺度人脸检测精度上具有较好的表现。