在目前的人脸图象信息处理领域中，包含有人脸识别、人脸跟踪、姿态估计、表情识别等多个研究方向，然而，所有这些研究方向都涉及到一个人脸标识和定位的问题，即必须知道人脸在图象中的位置以及尺寸——人脸检测。因此，对于一个完整的、自动的人脸信息分析系统来说，人脸检测算法是必不可少。 人脸检测方法研究已经有二十多年了，然而，到目前为止，由于人脸检测问题本身的复杂性(包括人脸模式的多样性，即人脸表情丰富多变、光照条件不同等等都给人脸检测带来极大困难)以及不可预测的因素太多的原因，众多研究人员均未给出人脸检测问题的彻底解决方案。本文结合研究生阶段所参加的科研项目，对人脸检测问题作了一些探讨。 本文的工作包括： (1)基于模板匹配的人脸检测方法。 本文研究了使用模板匹配进行人脸检测的方法的性能。针对模板匹配人脸检测的弱点，即计算速度慢、对复杂背景较为敏感，提出采用一种KL肤色坐标系对图象进行前期处理的检测策略，即：首先对图象进行颜色信息提取，去除非人脸区域，然后使用模板以及确认策略在图象中搜索人脸。实验表明，对于彩色图象来说，使用颜色分析对图象进行前期处理，有利于提高运算速度以及降低复杂背景对模板的影响，使得算法更加有效。 (2)基于混合线性子空间人脸检测方法 将人脸检测问题转化一个分类问题在模式识别中是一个较为自然的想法。对于背景复杂的人脸图象的检测，使用单个线性线性子空间很难准确地区分出人脸和非人脸模式，因此，本文使用混合线性子空间对人脸和非人脸样本的分布进行建模，在利用自组织映射神经网络标识人脸和非人脸样本的基础上构建一个Fisher人脸检测器。实验证明，这种方法对于复杂背景、多表情、多姿态的人脸检测是有效的。 (3)基于稀疏网络人脸检测方法 2000年，Yang提出了一种新的基于块状图像的人脸检测方法，他使用Winnow稀疏网络，构造成一个人脸检测器，得到目前为止最好的人脸检测结果，最近发表的人脸检测综述中特别指出了这一点。这个人脸检测方法中，训练参数α、β对于检测器的性能起着至关重要的作用。因此，本文提出了一种修正的Winnow训练算法，这个算法在训练过程中动态计算训练参数α、β。实验结果表明，修正Winnow算法优于Winnow算法。