人脸检测研究是当前模式识别和计算机视觉领域的重要研究热点之一。人脸检测是自动人脸识别系统的关键环节，人脸检测的准确性和实时性直接影响自动人脸识别系统的性能，因此人脸检测具有重要的研究价值和应用价值。目前，人脸检检测已作为一个独立的研究课题发展起来，人脸检测的研究必将对图像处理、模式识别、计算机视觉、人工智能、机器学习等学科的发展具有重要的推进作用。准确性和实时性是衡量人脸检测系统的两个重要指标，它们是人脸检测研究的核心。 针对人脸检测的准确性和实时性这两个关键指标，在分析国内外研究的基础上，本文提出一种新的人脸检测算法FloatFFS。这种算法是对传统boosting算法和前向特征选取（forward feature selection，FFS）算法并进行改进。传统的boosting算法虽然准确率高，但是在多次的弱学习过程需要用大量的时间。FFS算法虽然能快速提取特征，但是准确率偏低。本文的FloatFFS算法只需要一次的弱学习就把所有的特征提取出来，从而在整个分类器训练程中节省大量的时间；FloatFFS采用回溯查找的方法来进行特征的筛选，把在整体分类性能没贡献的特征从强分类器组合中删除，以求达到高的检测率。实验结果表明在检测性能上改进后的算法要比传统boosting算法和FFS算法有所提高。 同时人脸特征表达是人脸检测中的最重要的环节之一。本文阐述了Haar特征和分析LBP（local binary patterns）特征的结构。LBP特征具有多种不同的计算模式，它采用分块统计LBP直方图的思想，成功地应用人脸识别中。