随着新型冠状病毒肺炎（COVID-19）的爆发与快速传播,出门佩戴口罩已经成为了人们的日常,由于受到密集人群、小目标、遮挡人脸、强太阳光以及夜间昏暗光线等复杂环境的影响,人脸口罩检测精度和速度往往不能达到预期目标。此外,没有正确规范的佩戴口罩也不利于预防病毒的传播,因此,能准确的检测识别出未规范佩戴口罩的情况也显得至关重要。根据上述问题,本文提出了一个基于肤色检测的人脸口罩规范佩戴检测方法:首先,在YOLOv4目标检测模型的基础上,根据人脸口罩数据集的特点,利用Kmeans++获得最佳先验框尺寸以增强尺寸适应性,并对训练的样本图像进行多角度旋转等操作后与原始数据集结合一起用于模型的训练和测试,从而进一步提升了模型对于遮挡以及各种姿态问题的鲁棒性,并且克服了因训练集样本数量和多样性的不足所造成的过拟合问题;进一步优化了网络结构,减去大目标分支并对特征抽取层进行适当压缩,从而减少了模型训练与检测时间;同时,为了克服所采集数据样本不均衡的问题,对损失函数也做出了相应改进。然后,在YCr Cb椭圆肤色检测模型基础上,本文通过对亮度区域重新划分、肤色和位置的区域优化等方法对其改进,解决了强太阳光、夜间昏暗光线等复杂环境对肤色检测和分割结果的影响。最后,本文创新性的结合了以上两种模型,提出了复杂环境下的人脸口罩规范佩戴识别方法,并在此基础上开发一款复杂环境下的人脸口罩规范佩戴识别检测系统,通过测试,该模型具备一定的研究价值。本文将提出的模型方法在WIDER FACE、MAFA和自建的数据集上进行测试和评估,在人脸口罩规范佩戴检测任务中,本文提出的方法在我们的测试集中m AP达到了93.48%,平均检测速度达到了45.6 FPS。相比于YOLOv4模型,在相同实验环境和同一测试集中的m AP提高了5.22%,平均检测速度提高了8.2 FPS。试验结果表明本文方法达到了较好的测试效果,且网络模型有着较好的泛化能力,可满足实际应用的需求,有利于公共场所的疫情防控工作的开展。