人脸检测算法为身份验证、人机交互、安全监控、公安侦查等领域提供了技术支持,传统的人脸检测算法对于人脸特征的信息提取有限,尤其对小人脸、被遮挡的人脸和复杂环境下的人脸信息的提取存在漏检、误检等问题。卷积神经网络（CNN）是深度学习（DL）在人脸检测领域的有效算法之一,但是基于CNN的人脸检测算法依然存在不足之处,比如算法内部计算量过大、对参数更新的优化算法收敛不稳定、人脸的检测精度不高等问题。因此,本文对基于CNN的人脸检测算法进行研究并对激活函数和优化算法进行了改进。论文主要工作如下:（1）针对CNN进行人脸检测时,在非线性特征及负值特征上出现学习效率不高和神经元坏死的问题,提出了一种基于CNN的SE（Softsign-ELU）激活函数。该激活函数结合了ELU和Softsign的优势,既解决了现有激活函数在负值时神经元坏死的问题,又避免了在正值时激活函数的输出值无限大于0的偏移现象,从而提高了网络的表达能力,也降低了计算量。本文采用Retinaface人脸检测网络,在公开人脸数据集widerface上分别对Softsign、Tanh、Re LU、SE四个函数在三种不同等级Hard、Medium和Easy的数据集上进行了比较,结果表明,采用激活函数SE后,在三种数据集上的精度值均为最高,分别为63.3、80.2、84.3,证实了改进的SE激活函数的效果。（2）针对Adam优化算法泛化能力差和存在不收敛的问题,提出了一种改进的优化算法S-Adam,通过使用Softsign函数控制二阶动量的变化,降低网络学习率的震荡幅度,在理论上利用在线学习框架证明凸函数和非凸优化问题上S-Adam的收敛速度。最后通过与常用优化算法在复杂网络下的实验结果对比,表明S-Adam算法的效果更佳。综上所述,本文对基于卷积神经网络的人脸检测算法进行研究,并提出SE激活函数和S-Adam优化算法,对于提高基于卷积神经网络的人脸检测算法的精确度有积极作用,因此,本文的研究对于基于CNN的人脸检测有一定的研究意义和应用价值。