随着深度学习越发成熟,目标检测已经成为计算机视觉领域中一项非常重要的基础性任务并受到了研究者们重点的关注。该技术已经被广泛的应用在如人脸识别、动作识别、实时监测等不同领域。在目标检测领域,较为主流的算法就是通过应用卷积神经网络来对图像进行特征提取的算法。随着算法的不断改进,如何针对复杂场景下图片特征的提取,同时保证不同尺度下的特征图的平衡性成为了提高算法模型精确度和实用性的关键。当今YOLOv5算法凭借出色的效果在该领域占据了主导地位。但是现实场景中不确定因素较多,YOLOv5针对复杂场景下的运用还需要根据不同需求进行优化改进。因此,设计一种检测性能更好,检测效果更稳定的模型成为了一项挑战。基于上述背景,本论文对YOLOv5算法进行改进,结合YOLOv5算法的几个阶段,提出在训练阶段将数据增强中加入混类增强,将注意力机制添加到YOLOv5网络结构之中,并且在自适应预测框计算阶段使用改进K-means算法并加深主干网络进行多尺度输入。具体改进包括三个方面:首先,为扩充YOLOv5算法训练数据,提出加入混类增强的数据增强方式。通过设置0.5的常数系数以达到Copy-paste同等的尺度缩放效果。其次,YOLOv5中使用K-means算法结合遗传算法实现的自适应锚框更新,该方法在锚框的选取上,利用YOLOv5作为相似性的评价标准,但是IOU无法精确反映两者重合度大小。本论文提出使用GIOU代替IOU作为标准,完善了锚框自适应更新的合理性,同时,使用K-means算法匹配新的锚点坐标,将YOLOv5算法中的3个检测尺度扩展为4个,提高模型检测精度。最后,为解决YOLOv5中不同尺度下的特征的不平衡问题提出添加注意力模块。针对选取的数据集在网络结构添加注意力模块,使检测网络能够根据权重提取重要信息,增加了网络的检测能力。对于本论文对模型的算法改进,利用安全帽佩戴检测数据集将改进后的算法和原检测算法进行对比实验,通过对比实验证明加入改进的混类增强机制对模型Map提升3.3%。同时将添加了不同注意力模块的网络与原网络进行对比实验,结果表明,添加不同注意力机制对算法性能提升不同,从而选取最优注意力模块构建检测系统。最后进行消融试验,结果表明改进后的模型比原有模型在平均精度上提高了5.2%。