自2019年12月以来,新冠肺炎疫情肆虐全球,时至今日,除中国以外的世界很多国家的疫情仍然没有得到有效控制,严重威胁世界人民的生命健康安全。呼吸道飞沫是新型冠状病毒传播的主要媒介之一,在公共场所佩戴口罩是防止病毒感染最有简单有效的防护措施。商场、车站等人流量大的场所是疫情防控的重要阵地,为了实现高效智能化的无接触式佩戴口罩检测,本课题开展了基于深度学习技术的口罩佩戴检测方法的研究,具体如下:（1）利用开源的人脸检测数据集,再加上个人拍摄以及从互联网搜集的图片,构建了本文的口罩佩戴检测数据集,共包含经过详细标注的8 700张场景丰富的图片,接着利用聚类算法对数据集进行聚类分析获取合适的先验检测框。（2）针对口罩佩戴检测任务中存在的密集人群、远小目标、遮挡目标等检测难题,提出一种针对复杂应用场景的口罩佩戴检测方法。首先,通过在YOLOv4的主干特征提取网络中引入一种轻量级的通道注意力机制,使得模型能够自适应学习到不同通道特征的重要程度,对不同通道特征间的关系及各自对当前检测任务的重要性进行建模,从而重点关注关键特征信息,同时抑制无关特征的干扰。其次,通过复用空间金字塔池化模块构建了新的特征增强网络,进一步提升了模型在不同的感受野提取并融合空间特征的能力,将全局特征和局部特征进行融合,大大增强了特征图的表达能力。通过实验验证改进后的算法对人脸目标和佩戴口罩的人脸目标检测的平均准确率均值由原来的89.05%提升到了94.81%,且在RTX3090显卡上检测速度依然可以达到39FPS左右,实现了高精度的实时检测。（3）为满足在配置相对低端硬件设备上进行实时口罩佩戴检测的需求,提出一种轻量化的人脸佩戴口罩实时检测算法。首先,将融合了通道和空间双重注意力机制的CBAM模块嵌入到YOLOv4-tiny的主干特征提取网络当中,使模型能够学习特征信息在空间及通道维度的分布,提升模型对关键细节特征的表达能力。其次,引入空间金字塔池化模块对主干网络的深层特征执行多尺度感受野的池化并将所得特征与原特征进行堆叠融合,提升模型对深层特征的融合利用效率。最后,结合路径聚合网络的设计思路,在原有特征金字塔网络的基础上增加一条从低层到深层的特征聚合路径,进一步提升了模型对不同层次特征的融合能力,增强了特征的利用效率。实验结果表明,改进后算法的口罩佩戴检测精度相比YOLOv4-tiny提升了7.47%,且在RTX2060显卡上取得每秒90FPS左右的实时检测速度。（4）利用PyCharm、Python、PyQt等工具完成了口罩佩戴检测的系统设计,实现了静态图片检测、本地视频检测和调用摄像头采集实时视频流进行口罩佩戴检测等功能。经过算法测试和鲁棒性实验,本课题所研究的两种改进型算法的检测性能均有了大幅提升,能够以较高的检测精度和实时性完成多种场景下的口罩佩戴检测任务,实现复杂场景下的高精度口罩佩戴检测,同时轻量化的算法能够满足在普通硬件设备上进行实时检测的要求,进一步降低了算法落地的硬件成本,具有很好的应用价值。