人脸检测技术是计算机视觉领域的重要研究方向,是人脸识别、人脸关键点检测、表情识别等技术的关键步骤,具有广泛的研究前景。但在现实情况中,由于复杂的拍摄环境,人脸检测技术存在许多难点。目前主流的人脸检测算法主要借鉴目标检测算法,包括以RCNN系列算法为代表的两阶段检测算法和以SSD算法为代表的单阶段检测算法。两阶段检测算法检测精度较高,但检测速度较慢,无法投入实际使用。单阶段算法检测精度较低,但具有较高的实时性,具有广阔的市场前景。因此如何提升单阶段算法的性能,是目前人脸检测算法的研究重点。SSD算法提取了不同卷积层的特征图,直接进行分类和回归,未能融合上下文信息。为了解决该问题,本文提出了多层特征融合算法,自上而下,针对不同卷积层采取不同的特征融合算法,包括高层特征增强算法和低层特征拼接算法。在高层特征图上,采用并行网络和空洞卷积操作来获得更为抽象的特征,增强了多尺度信息。在低层特征图上,采用按比例拼接的方式,保留更多的低层特征。本算法在WiderFace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0.930、0.919、0.834。本文在RFBNet和Inception网络的基础上,提出了新的视觉感受野网络。采用卷积核分解的方式同时增加了网络的深度和宽度,采用多个空洞卷积堆叠的方式,模拟人类视觉中离心率的变化。针对小尺度人脸检测存在的问题,提出了小尺度anchor的随机密集采样策略,根据不同的卷积层设置不同数量的anchor。本算法在WiderFace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0.942、0.921、0.85,表明对小尺度人脸具有良好的检测效果。