随着近年来深度学习高速发展,卷积神经网络和递归神经网络都是热门的研究方向,它们用到实际场景的作用十分丰富。例如人脸识别和机器翻译。人脸识别已经有多年的历史,深度学习之前一般会使用传统的方法,例如LBP等人工抽取特征,但是这类方法一直准确率效果不理想。当深度学习出现之后,大幅度打破之前的传统方法的效果。然而虽然深度学习的出现,但是在人脸识别的场景会存在着很多遮挡,模糊还有侧脸等人脸,普通的卷积神经网络已经不能适应这样复杂的场景。所以本文提出新型的结构能解决小人脸检测问题,并且实现轻量化可以部署到边缘设备上。在众多模型当中,SSD目标检测模型是单阶段模型中是广泛而通用的模型,本文会在SSD模型中,改进其结构,提出新的特征融合和抽取模块,结合小人脸检测的问题,提出新的方法,提高小人脸检测的准确率。本文首先提出特征增强模块,特征增强模块利用不同层的特征进行扩张,逐元素相乘等操作,这样可以利用人脸的周围的信息包括头部更好的进行检测人脸。另外提出新的锚点匹配策略,根据人脸统计规律设置我们的anchor大小,结合强化注意力机制,对遮挡的小人脸检测效果明显改进,另外在全新设计的损失函数,加快了反向传播速度,模型参数更新更快,更快达到收敛效果,最后达到稳定的状态。加入了环境敏感模块,可以使整个模型更加宽和更深,对于特征利用更加充分,最后使非正朝向小人脸的召回率很大提高。设计出双射检测网络,结合低层特征而不是使用所有特征层进行融合,保留了高分辨率的特征层对小人脸检测的特征信息可以很好的保存下来。最后通过量化模型,在准确率允许的条件下,降低模型参数精度,模型的大小大幅降低,在GPU上运行可以达到22FPS。最后可以部署到边缘设备上,在边缘设备可以实时运行本文的经过量化的模型,并且有较高的召回率,在widerface和FDDB两个数据集都能取得较高的准确率,并且在FDDB上的连续人脸和非连续人脸的ROC都可以大大超过目前的主流模型的效果。