人脸检测研究的是受检图像中是否含有人脸及其大小、位置,被广泛应用于安防监控、无人驾驶、人机交互等场景。作为人脸识别相关技术的第一步,其检测精度对后续任务影响重大。在现实生活中,人脸检测受光照、姿态、遮挡等影响,且日益增多的场景要求算法能全天候工作于资源有限的多模态（可见光/近红外）摄像头,并扩展人脸属性分析功能。同时,多模态、多任务技术均能一定程度上提高人脸检测性能。因此,对多模态与多任务的人脸检测算法进行研究具有现实意义且富有挑战。本文的主要工作如下:（1）提出一种基于数据融合及高斯中心的多模态人脸检测算法。针对可见光数据训练的检测器在近红外数据上性能下降,而又缺乏多模态人脸检测标注数据、难以充分利用多模态信息的问题,本文将模态表征与检测器解耦合,统计模型退化差异特性以自适应融合多模态信息,设计免锚点的高斯中心检测器,以高斯分布函数监督边框回归进一步提高检测性能。实验表明,相比于单模态和平均加权融合,所提融合算法有效提高检测性能;相比于主流的实时检测算法,所提算法在公开可见光数据集和自建多模态数据集上的性能有所提升。（2）提出一种基于深度学习噪声估计的多任务人脸检测算法。针对目前的人脸检测和人脸属性分析独立进行,流程复杂且无法利用多任务技术的问题,本文采用双阶段流程,设计多任务网络结构,联合学习人脸检测和人脸属性预测任务,以提高人脸检测性能并拓展属性分析功能。同时为解决多任务学习依靠人工确定各任务的损失权重而无法充分挖掘任务间关联性的问题,本文使用含估计噪声的目标函数,用网络估计的噪声自适应平衡损失。实验表明,相比于单任务人脸检测,所提多任务算法在FDDB、CelebA数据集上的检测性能获得提升;相比于平均加权方法,所用的噪声估计加权方法在CelebA数据集上属性预测性能获得提升。在未来,一方面可进一步探索多模态信息利用方式,另一方面可寻找更佳的多任务优化方法,从不同的技术路线提高人脸检测算法性能。