当前我国的基建工程正在如火如荼地进行,建筑工地遍布全国各地,但是部分工人防范意识的不足,尤其是缺乏安全帽正确佩戴的意识,从而导致工地事故频发。因此研究适合在工地应用场景下的安全帽检测算法尤为重要。性能优秀的算法不仅能减少建筑公司的损失,也能在很大程度上保证工人的生命安全。然而,复杂应用场景的干扰因素对算法的快速性、鲁棒性有很大的考验,如目标遮挡,检测目标较小、光线昏暗等。为了解决这类问题,本文基于YOLOv4网络模型开展了如下研究:（1）针对YOLOv4上采样过程中的信息丢失问题,本文利用亚像素卷积（Pixel Shuffle）对YOLOv4网络中的上采样支路进行改进。利用亚像素卷积构建了新的上采样模块以替代传统的插值上采样,通过此方式来缓解语义信息丢失问题;其次,针对YOLOv4网络参数较为冗余的问题,将两个Fire模块串联构建了Double-fire模块以替换5×CBL卷积组,同时引入Ghost卷积。基于此,本文提出结合亚像素卷积的PFG-YOLO网络模型。（2）为了进一步轻量化网络模型,本文基于Ghost卷积构建了能替代CSP结构的瓶颈结构,使用该瓶颈结构重新搭建了YOLOv4的特征提取结构Ghost Net,成功替换了CSPDark Net-53;针对YOLOv4中存在多余参数的问题,引入3×3深度可分离卷积替代YOLOv4的Neck部位的3×3CBL卷积。通过与轻量化网络Ghost Net结合,本文提出了PFG-YOLO的轻量版本G-PFGYOLO。（3）通过理论分析,在经过处理的安全帽检测数据集上,本文对改进算法进行了对比验证。实验得出:PFG-YOLO的检测精度在YOLOv4的基础上提升了2.1%,检测速度FPS提升了50%,模型体积降低了20%;相较于YOLOv4,G-PFG-YOLO的检测速度约为其300%,模型体积大小仅为YOLOv4的19%,能够达到在便携式设备上实时检测的要求。本文提出了两种安全帽检测网络模型:PFG-YOLO和G-PFGYOLO。PFG-YOLO是基于YOLOv4在安全帽佩戴检测中的改进版本,G-PFG-YOLO是PFG-YOLO的轻量化版本,更适用于搭载在民用终端。