近年来,基于深度学习的人脸检测算法快速发展,算法性能不断突破。但是如何更快更好地进行多尺度人脸检测仍然值得探究。本文针对此问题,提出基于改进Center Net的小尺寸人脸检测模型Center Face。论文的主要研究工作和成果如下:（1）梳理近年来基于深度学习的人脸检测算法的研究进展,总结了经典的基于预设锚框算法和基于无预设锚框算法的创新与不足,着重探究了各类算法用于多尺度目标检测的方案与进展。（2）介绍了目标检测模型基本结构及其组成部分,卷积神经网络模块、骨干网络、特征增强模块及其他目标检测相关组件。（3）基于通用目标检测算法Center Net,设计了单阶段无预设锚框的人脸检测框架Center Face。具体工作如下:1)为解决多尺度人脸检测,引入特征金字塔结构和感受野增强模块。特征金字塔完成对拥有不同尺寸语义信息的特征融合;感受野增强模块在特征融合前,对每层输出特征进行更为细致的特征增强。两者融合后的特征提供了多尺度的感受野范围,极大增强了多尺度,尤其是小尺度人脸的检测精度。2)针对预测框回归偏移量分支和宽高分支独立优化的问题,采用DIo U损失函数对两者进行联合监督,共同优化预测框的回归任务性能。（4）在上述架构的基础上,探索模型时空复杂度与性能的折中方案,在采用移动端轻量级网络的基础上,设计了基于重构感受野的检测颈部,保证模型较小计算量的情况下,获取增强的输出特征。（5）通过消融实验,证明了本文提出模型与方案的有效性。模型一在Wider Face三个子集的性能达到94.84%、94.17%、89.43%;模型二在达到50帧每秒的检测速度的同时,在Wider Face三个子集达到93.79%,92.67%,87.64%的平均检准率。模型性能超过多数主流算法,实现了更好更快的多尺度人脸检测。