国内城市道路交通路网的建设和布局不断完善,极大地丰富了人们的出行方式,电动车因其优越的通勤便利性,在出行方式中占有较大比重。2020年6月,公安部发布“一盔一带”政策,将对未佩戴安全头盔的骑行人员做出处罚。因此对骑行人员安全头盔佩戴进行自动化和智能化检测,对于提高道路安全头盔佩戴监管效率,减轻现场交管人员的工作强度具有重要意义。本文以城市道路中骑行人员为对象,展开基于深度学习的安全头盔佩戴检测研究,主要研究内容如下:（1）针对安全头盔佩戴检测数据集缺失问题,本文提出了基于图像增强和类别重组法的数据集构建方法。首先,基于道路场景采集以电动车骑行人员为对象的数据集原始图像。其次,为了提高安全头盔佩戴检测数据集多样性及模型泛化能力,提出在数据集中加入色彩抖动、随机抠取等图像增强方法。此外,针对数据集中佩戴安全头盔和未佩戴安全头盔两类样本数量相差较大问题,提出以类别重组法对样本数量进行平衡。最后,根据安全头盔佩戴情况对图像进行标注,并按照8:2将数据集划分为训练集和测试集,最终构建成稳定有效的安全头盔佩戴检测数据集。实验结果表明,本文安全头盔佩戴检测数据集能够有效提升模型的检测精度,较好的完成安全头盔佩戴检测任务。（2）针对YOLOv5s算法对数据集中部分目标检测精度不高、检测效果较差等问题,本文提出了基于多尺度特征融合和注意力机制的优化算法。首先,通过衡量安全头盔佩戴检测难度,选用YOLOv5s作为本文检测任务的基准网络模型。其次,针对图像中小目标较难检测问题,提出在多尺度特征融合部分增加小目标特征检测层,提高对小目标的特征提取能力;然后,为了获取图像中关键特征,提高模型整体特征提取能力,提出在网络模型中融合CA注意力机制;最后,针对上述优化方法带来的模型复杂度增加问题,提出用Ghost模型压缩模块降低模型复杂度,提高算法推理速度。实验表明,本文的优化模型能够快速、有效实现安全头盔佩戴检测。（3）针对安全头盔佩戴人工查检效率低、工作区域大等问题,本文开发了基于道路监控的安全头盔佩戴检测系统。该系统主要实现了图像检测、实时视频检测、监控点切换以及违规记录查询等功能。此外为了防止目标误检以及使检测系统适用不同道路场景,在系统中嵌入了ROI区域调整功能,通过ROI区域调整,能够对图像、视频中的任一区域实现特定区域检测。该系统的开发有效提升了安全头盔佩戴检测的自动化水平,为道路交通智能化和数字化监管奠定了基础。本文中包含图73幅,表8个,参考文献81篇。