1.一种基于深度学习的SSD人脸检测方法，其特征在于：包括，基于深度卷积神经网络对待测人脸数据进行候选框提取、目标检测和边界框回归任务；利用SSD策略将目标BoundingBox回归任务的输出空间离散化为先验框，并在每个检测层分别设置每个位置对应的多种宽高比和尺寸的所述先验框；所述深度卷积神经网络根据所述先验框生成所述待测人脸的置信度，且对所述先验框的位置进行修正；结合所述SSD策略对修正后的所述位置进行不同分辨率的多个特征图检测，获得最终的检测结果；所述SSD策略采用SSD网络，其包括，将VGG16作为BackBone，分别利用1024个3*3卷积核的卷积层Conv6和卷积层Conv7替换所述VGG16的第六个全连接层和第七个全连接层；将pool5池化层调整为步长为1的3*3池化；还包括，所述SSD网络移除了所述VGG16的dropout层和fc8层，分别添加了block8、block9、block10和block11四个卷积块；将所述卷积块的输出特征图作为检测层，在所述特征图上设置不同的所述先验框进行人脸判别；所述目标BoundingBox回归任务，包括，所述SSD网络边框回归的目标是学习一种关系，使得输入默认框的窗口经过映射得到与Ground  Truth框更接近的人脸预测框，其中，G＝(Gx,Gy,Gw,Gh)为人脸的Ground  Truth，在预测阶段，通过对预测位置向量进行解码，得到真实的回归框坐标向量如下：还包括，不同检测层上的所述先验框的尺度计算，如下，其中，sk为第k层特征层的最小尺度，m为特征层的数量，smin和smax分别为尺度的最小值

和最大值，Conv4_3层单独设置，即

2.根据权利要求1所述的基于深度学习的SSD人脸检测方法，其特征在于：所述深度卷积神经网络包括，卷积层、池化层和全连接层。3.根据权利要求2所述的基于深度学习的SSD人脸检测方法，其特征在于：所述先验框包括输出一个独立的向量，其元素包括，边界框的位置信息和判别所述先验框为人脸或背景的所述置信度。4.根据权利要求  3所述的基于深度学习的SSD人脸检测方法，其特征在于：所述修正包括，利用非极大值抑制消除多余的所述先验框，找到最佳的人脸检测位置。5.根据权利要求4所述的基于深度学习的SSD人脸检测方法，其特征在于：所述SSD人脸检测策略利用特征迁移原则提高人脸检测模型的泛化能力，包括，利用超大型图像数据集ImageNet训练VGG16分类模型；将所述VGG16分类模型的特征层参数初始化；在SSD网络训练阶段，冻结SSD模型中VGG层的全部参数，使用特定的标注人脸图像数据集对特定特征层进行微调。