本文重点围绕疫情防控时期,在机场、火车站、超市等人流量巨大的场所进行快速、高效、准确的口罩佩戴检测。针对人们是否正确佩戴口罩以及是否利用其他物品遮挡脸部以骗过机器检测的问题,在模式识别、深度学习、机器学习在防疫检测工作中创新应用的基础上,提出了FRF-MR算法以及YOLOv5-FOD算法。主要工作内容包括:（1）本文整合了武汉大学的开源数据集、香港中文大学Wide Face数据集、中国科学院信息工程研究所的MAFA数据集以及网络平台上针对是否正确佩戴口罩的图像数据集,并将数据按照PASCAL VOC标准数据格式,使用Labelimg软件进行人工标注,生成XML文件用于训练。本文首先对数据进行预处理,以提高训练的速度与准确性,同时引入多个数据集对数据进行扩展。本文对实验数据进行水平翻转、图像缩放、亮度提升、饱和度提升和对比度提升等操作来完善数据集,提高了网络鲁棒性。（2）针对现有算法未考虑数据集中图片规格不同带来的影响,导致检测精度较低以及检测速度较慢等问题,本文提出了一种人脸口罩识别算法FRF-MR,该算法利用特征金字塔对目标进行快速检测,其对多尺度小目标检测具有速度快且准确高的优点,该算法解决了由于人脸口罩检测问题中目标区域不固定,图像规格不一等因素,导致的检测速度较慢和准确率较低等问题。实验证明,该算法在数据集中的检测精度达到了96%,召回率达到了86%。（3）考虑到数据集中多种分类的多标签检测问题,提出了一种人脸遮挡物目标检测算法YOLOv5-FOD,该算法具有对多标签分类目标进行快速准确检测的性能。由于在人脸口罩识别中,不仅需要识别人脸目标,准确区分目标是否正确佩戴口罩,还要准确区分目标佩戴口罩的真伪情况。该算法对人脸口罩的真伪进行快速准确的检测,解决了多标签类人脸遮挡物检测精度低、检测速度慢等问题。实验证明,该算法会实现对多标签分类人脸遮挡物快速高效的检测。