人脸检测是计算机视觉和模式识别领域的研究热点，随着20世纪90年代，人脸检测作为一门单独的领域被研究，至今人脸检测技术已渐趋成熟。但是，人脸作为一个三维刚体，随着人脸角度、摄像机角度的变化以及光照、遮挡物等的存在，其复杂性使得人脸检测特别是多姿态的人脸检测还存在很多困难。本文实现了一个快速的多姿态人脸检测系统，所做的主要工作如下：采用了一种融合了姿态估计的双层多姿态检测树结构，首先采用预分类器-深入处理分类器的双层结构，快速区分人脸与非人脸；其次提出了一种基于特征复用的人脸姿态估计算法，该算法复用预分类器阶段使用的特征，并使用针对多分类的Adaboost M1算法训练得到一个分类器，通过分类器的判决将候选窗口送入所属姿态的分类器，进一步加快了整体分类器的检测速度；最后，通过宽度优先(BFS)树的结构进一步提高预分类器的检测精度。研究并实现了基于大规模样本集的级联Adaboost分类器算法。传统的级联分类器只能够支持大规模反例样本，正例样本集的数量级还维持在较低的水平。为了使分类器同时支持大规模正反例样本，论文采用了矩阵式学习的方法，同时使用特征继承算法，在通过大规模样本集提高检测器精度的同时，加快检测器的训练速度。研究并实现了以局部组合二值特征(LAB)特征为中心的检测算法，以LAB特征+级联Adaboost分类器构建快速的预分类器结构，并使用以特征为中心的检测算法，避免重叠窗口中对同一特征的重复计算。实验结果表明，提出的多姿态检测树结构能够快速、准确的定位图片中的人脸，并有效区分出多种姿态的人脸。