人脸检测在身份认证、视频监控、考勤系统、情绪分析等领域中具有重要的研究价值,同时也是计算机视觉中的一项重要研究课题。在约束场景下,现有的人脸检测方法已达到了较高的检测速度与准确率;但在现实场景中的人脸通常会受到诸多因素的影响,比如尺寸变化范围较大、光照条件不一以及存在面部遮挡等问题,给实现更加准确、高效的人脸检测方法带来了诸多困难与挑战。对此,设计出一种能够应对复杂场景所带来的干扰的人脸检测算法势在必行。本文针对在人脸检测中存在的难点,设计了一种高效的多尺度人脸检测算法:首先,采用单阶段的网络模型,从结构设计的角度出发,利用不同语义层级的特征来检测不同尺度的人脸目标,实现了对不同尺度人脸的针对性检测;尤其对于小尺度人脸分支,利用权重共享和特征融合结构,增强了对候选目标的特征表达,提高了网络对目标的检测能力。其次,利用跳连接结构实现了一个多感受野、多语义层级的上下文敏感模块,增强了不同语义层级之间的特征传递,丰富了对候选目标的特征表达,同时在主干网络中利用空洞卷积提取候选目标的全局性信息,帮助网络实现更好地分类与回归。最后,针对在小尺度目标检测中存在的类间不平衡问题,在训练阶段同时采用Focal loss与尺度专门化的正负样例比,利用样本的难易分程度来控制优化过程中的损失权重,在专注于难分样本对于网络优化的同时也保留易分样本的优化贡献,提高了检测网络对难例样本的判别能力。