人脸检测作为计算机视觉中的重要研究方向之一,得益于硬件设备的进步、深度学习技术的快速发展,其性能也得到了不断的提高。从传统的人脸检测方法发展到现今的基于深度学习的人脸检测方式,不仅仅在检测效果上有了一定的提升,而且在检测速度上有了很大的提高。在人脸检测的应用场景中会存在很多非受限的场景,在这些相对复杂的场景下,对于人脸检测的准确度有着很大的挑战,例如人脸遮挡、人脸模糊和小尺度人脸等。这些环境下的人脸检测存在着一定的难度,这些场景下的检测不仅对检测设备有较为严格的要求,也对检测模型的提升有着迫切的需要。所以人脸检测在这些非受限环境下效果的提升具有重要意义。本文的研究内容主要包括对多尺度特征人脸检测中出现的问题进行分析,对于非受限环境下小脸检测、特殊纵横比人脸等检测问题提出改进策略。本文的主要工作以及创新点如下:1.锚框（Anchor）的设计是本文检测算法中十分重要的一部分,本文基于SSH人脸检测框架,满足有效感受野和等比例间隔原理设计了稠密锚框策略来匹配连续尺寸人脸,以确保多尺度特征人脸的充分检测,提升离散锚框分布情况下人脸召回率。2.很多检测算法在提取卷积层的特征图后没有很好的融合上下文信息,为了解决这一问题,本文受到Inception网络的启发,通过设计增强感受野的方法来提升检测模块中上下文信息的表达能力,这种新的感受野模块可以增强多尺度信息进而对侧脸等特殊尺寸人脸有较好的检测效果。3.综合上述算法设计,完成模型的训练和优化,在FDDB数据集和Wider Face官方数据集上设置实验和对比分析,本算法得到模型在Wider Face官方数据集上进行测试,其easy、medium、hard三个子数据集上,平均准确率分别为0.952、0.946、0.903。为了解决人脸检测中的小尺度人脸检测精度问题,本文设计的锚框匹配策略更好的匹配在原设计锚框尺寸大小之外的人脸,在不增加过多负样本样例的前提下更好的提高人脸检测准确率。将SSH人脸检测中的检测模块替换成本文提出的增强感受野模块,在不损失特征信息的同时增强感受野,进而对复杂人脸特征有着更好的特征表示。本算法在很多非受限场景下有良好的检测效果,整体上提升了检测精度,并且在对于数据集中未标注人脸有良好的检测效果。