非约束环境下的人脸检测易受到环境遮挡、模糊、光线、角度等因素影响,因此多年来一直是一个具有挑战性的课题。近年来随着深度学习的快速发展,凭借目标检测网络强大的特征提取能力以及端到端的学习能力,非约束环境下的人脸检测得到了长足的发展。然而,当前目标检测网络针对密集场景下的小人脸检测仍存在很多困难。此外,当前非约束环境下的人脸检测算法还存在模型复杂,运算量大,难以应用于实时性要求强的应用场合的问题。针对以上问题,本文将YOLOv3算法与分块融合策略相结合,并通过扩展YOLOv3的输出提升其检测范畴实现了同时兼具准确性与运行效率的人脸检测及正脸提取算法,主要研究内容包括:（1）针对当前目标检测算法在小人脸检测中存在的检测难度大的问题,提出了一种YOLOv3和分块-融合策略结合的人脸检测算法;该人脸检测算法将待检测图片通过分块后输入到网络中进行检测,通过分块的方式降低图片的下采样率,从而保留更多的信息,使得小人脸的特征更加清晰,从而提高小人脸的检测精度。（2）针对经典NMS算法在分块-融合策略中的大尺度人脸融合时存在的冗余检测和错误检测,提出了一种改进NMS算法。改进NMS算法将IOU修改为两个检测框重合区域除以待检测框区域,同时设计以检测框面积和得分两个条件来选择最佳检测框。最终改进的NMS算法在有效减少冗余检测以及错误检测的同时提高了算法的整体精度。（3）改进YOLOv3算法,扩展YOLOv3算法的输出,使YOLOv3同时输出人脸边界框和关键点。该算法以目标检测算法YOLOv3预测框左上角的顶点作为基准点,同时预测人脸的五个关键点与该基准点的偏移量,根据模型输出的偏移量得到人脸五个关键点的坐标,实现人脸边界框和关键点的同时输出。（4）为了能够提取非约束环境下的正面人脸区域,提出一种通过人脸关键点分析人脸姿态并获取正脸的算法。该算法通过提取的人脸关键点在预测框中的相对位置分析该人脸是否为正脸,若为正脸则输出,方便后续进行人脸识别。实验表明,本论文提出的分块融合策略算法以及改进NMS算法有效提高了人脸检测精度,扩展的YOLOv3模型能够实现YOLOv3同时预测输出人脸矩形边界框和人脸关键点,所设计的基于关键点的正脸提取算法能够有效捕捉非约束环境下的正脸目标,具有较好的应用价值。