La détection et l'alignement des visages dans un environnement non contrôlé sont des défis en raison des diverses poses, éclairages et occultations. Des études récentes montrent que les approches basées sur l'apprentissage profond peuvent obtenir des performances impressionnantes sur ces deux tâches. Dans cet article, nous proposons un cadre de tâches multiples en cascade profonde qui exploite la corrélation inhérente entre elles pour améliorer leurs performances. Plus précisément, notre cadre adopte une structure en cascade composée de trois étapes de réseaux de neurones convolutifs soigneusement conçus qui prédise la localisation des visages et des points d'intérêt selon une méthode allant du grossier au fin. De plus, dans le processus d'apprentissage, nous proposons une nouvelle stratégie de minage automatique des échantillons difficiles en ligne qui peut améliorer les performances sans sélection manuelle d'échantillons. Notre méthode atteint une précision supérieure aux techniques de pointe sur les benchmarks FDDB et WIDER FACE pour la détection de visages, ainsi que sur le benchmark AFLW pour l'alignement de visages, tout en maintenant des performances en temps réel.