随着2019年冠状病毒（COVID-19）在全球范围内的传播引起恐慌,并对现有的医疗设施和治疗系统产生重大影响,公共卫生安全被各国政府视为重中之重。由于病毒可通过飞沫和空气在人际间传播,世界卫生组织（WHO）建议,为防止COVID-19病毒的扩散和传播,人们在外出近距离接触时应佩戴口罩。随着对佩戴口罩的需求越来越高,很多地方,尤其是火车站、机场等人流密集场所,口罩佩戴监测任务变得十分艰巨。但目前这些地方仍以人工检测为主,不仅效率低下,浪费人力,而且增加了交叉接触感染的风险。通过近几年深度学习的发展和计算机视觉解决方案的不断完善,可以为疫情防控工作提供更好的解决思路,即通过摄像头和计算机的融合,基于深度学习的神经网络来检测路人是否佩带了口罩。这样就达到了非接触式自动检测的目的。为高效检测多目标人群的口罩佩戴情况,方便疫情防控人员采取相应措施,论文提出了一种基于YOLOv4改进的多目标人群口罩检测算法,论文的主要工作如下:（1）为了能更好进行多目标口罩识别的研究工作,本文进行的基础工作,通过横向对比实验说明在现阶段的目标检测当中,YOLO算法具有快速检测、精准度高、精确率高的特点。其余的主流多目标口罩检测深度学习模型有基于VGG的主干网络特征提取SSD算法、主干网络Resnet-50特征提取的Retinanet算法以及经典的twostage目标检测Faster-RCNN算法,以上算法横向对比之后,旨在证明YOLOv4能够在同等硬件设施条件下,实现相对较高精准高准确率的识别,使得以物力代替人力实现多目标口罩的检测,为抗击疫情,保障人民生命安全做出贡献。（2）针对目前口罩数据集的质量和数量良莠不齐,无法达到模型的训练与验证,本文进行了收集数据集的工作。通过收集国内外人脸和佩戴口罩图片,将口罩的大中小目标均匀分布,并且对收集到的图片数据进行标注,通过Label Img软件默认为VOC数据打包的方式,整理出了一份3368张图片,6552个目标的口罩数据集,并将其用于多个模型的网络训练。（3）针对目前多目标口罩检测对网络的结构进行改进训练,通过SMU激活函数的参数进行的对比和实验,使用了一定参数下的激活函数,实现了改进和提升目标检测指标,使得网络在自建数据集下有更好的表现效果。（4）针对多目标口罩检测任务中遮挡目标和算法精确度问题,本文提出了使用注意力机制以及非极大抑制的方式。对网络结构进行了改动,使得网络能够有效的提升检测指标,对大中小尺度目标以及遮挡的目标能够明显提升网络的识别能力,提高网络在实际应用中的可用性。