專注力與學習成效息息相關，所以專注力的測量格外重要，在眾多的量測方式中，以結合人臉偵測技術的方式較客觀且不干擾學生學習。本文提出結合擴增式哈爾材質特徵（Extended Haar Texture Features，EHTF）與EHTF與EHTF-Boosting學習演算法的人臉偵測方法，EHTF定義了6種不同的矩型特徵樣板，套用於影像上可描述局部區域的邊緣、線性、方向與亮（暗）點等特徵，具有求快速與不易受光照變化影響的優點，將人臉與非人臉的訓練用影像套用EHTF後，利用EHTF-Boosting學習演算法，建構數個弱分類器（Weak Classifier）以形成一個強分類器（Stromg Classifier），並針對求算每一弱分類器的權重（Weight）求算方式進行改良以正確反映出每一弱分類器的重要性。以LFW-Bigfoto資料集中各2000張正面人臉影像與不包含人臉的背景影像作為訓練集，實作分類器訓練並以MIT-CMU資料集作測試，檢測結果顯示本文所提出之EHTF特徵與EHTF-Boosting學習演算法相較於其他方法，顯著提升了人臉的偵測率（Detection Rate）與降低誤判率（False Positive Rate），並擁有使用特徵數量少、訓練速度快與人臉偵測率較佳等優點，且可滿足即時偵測的應用需求。在教學環境應用中，本文所提出之方法可用於數位學習之學習成效分析、智慧教室即時點名、利用臉部表情診斷學習困難度、教室秩序監控等不同應用領域，讓相關分析資料的取得更加容易與客觀。