Die hochwertige Erkennung von Gesichtern stellt weiterhin eine sehr herausfordernde Aufgabe dar, insbesondere wenn viele kleine Gesichter vorhanden sind. In dieser Arbeit wird ein neuer Ein-Schritt-Gesichtserkennungsansatz vorgestellt, der als Selective Refinement Network (SRN) bezeichnet wird. Dieses Netzwerk führt neuartige, zweistufige Klassifikations- und Regressionsoperationen selektiv in einen anchor-basierten Gesichtserkennungsdetektor ein, um gleichzeitig die Anzahl falsch positiver Ergebnisse zu reduzieren und die Ortsgenauigkeit zu verbessern. Insbesondere besteht das SRN aus zwei Modulen: dem Selective Two-step Classification (STC)-Modul und dem Selective Two-step Regression (STR)-Modul. Das STC-Modul soll die Mehrheit einfacher negativer Anchors aus den niedrigen Detektionsschichten filtern, um den Suchraum für den nachfolgenden Klassifikator zu verkleinern. Das STR-Modul ist hingegen so konzipiert, dass es die Positionen und Größen der Anchors aus den höheren Detektionsschichten grob anpasst, um eine bessere Initialisierung für den nachfolgenden Regressor zu bieten. Darüber hinaus haben wir einen Receptive Field Enhancement (RFE)-Block entwickelt, der eine vielfältigere Rezeptivität ermöglicht und somit hilft, Gesichter in extremen Positionen besser zu erfassen. Als Ergebnis erreicht der vorgeschlagene SRN-Detektor auf allen weit verbreiteten Gesichtserkennungsbenchmarkdatensätzen, einschließlich AFW, PASCAL Face, FDDB und WIDER FACE, den aktuellen Stand der Technik. Der Quellcode wird veröffentlicht werden, um weitere Forschungen zum Problem der Gesichtserkennung zu fördern.