人脸是一个重要生物特征,人脸检测作为相关应用的重要初始环节,其方法的优劣会影响后续阶段的操作和效果。在较差光照条件下的人脸,以及在分辨率极低、姿态较大时,仍有漏检情况。在实时性能方面也需要配合特定领域问题进一步提升检测速度。本文提出了一种基于单阶段网络,多种特性融合的人脸检测算法,主要内容如下:提出了一种单阶段卷积神经网络,由单块层和密集多融合层组成。其中单块层部分由卷积层和池化层简单地交替构成。为了得到轻量级的网络模型,本文将单块层进结构进行精简,对输出的通道数量进行压缩。实验表明改进后的单块层能够对模型进行有效的压缩,成倍减少了参数量,达到快速过滤图像的效果。为了获得判别性能更强的特征,本文在密集多融合层设计了多分辨率融合、多尺度交叠感受野融合,以及anchor匹配策略,实验证明密集多融合层结构提取的特征能够有效的对人脸进行表征。为了平衡难易样本的权重比,在训练中采用修正的半焦点损失作为分类任务的代价函数。并在网络末端加入变形卷积进行采样优化,进一步学习非常规姿态、形变的人脸特征。实验表明,半焦点损失能够将简单样本的损失权重降低,网络趋向于对困难样本特征的学习,变形采样优化可以适应几何形变,趋向于人脸周围区域的采样。在后处理阶段,本文提出了一种改进的NMS方法,对候选框二次评分,以此去除重叠率较高的候选框。在IoU大于给定阈值得分时,乘以得分衰减系数得到新的得分,而非将其直接置0。实验表明,改进的NMS方法在测试环节中能够提升检测准确度。基于上述设计和改进的基础上,本文提出的单阶段多融合网络的人脸检测模型,是一个轻量级模型,且能够获得处于无约束环境中的复杂人脸的较强的判别特征。最后通过实验,本文算法在FDDB数据集上达到96.5%的准确率,AFW数据集上达到99.4%平均准确率,在CPU上的平均测试速度为18fps。