如今吸烟人数众多,在公共场所吸烟不仅危害个人身体健康,形成的二手烟也会给周围人群带来严重的危害,甚至可能会导致火灾的发生,给个人、社会造成不可估计的损失。因此,公共场所禁烟力度亟待加强。近年来,深度学习技术飞速发展并广泛应用于各个领域,为智能化监管禁烟提供了良好的思路。然而现有基于深度学习的吸烟检测研究普遍存在精度低、速度慢或者漏检误检的问题,检测效果有待提高。本文以图像处理技术为基础,从实际禁烟监管需求出发,设计了一种轻量化的烟支检测模型:YOLO-cigarette,用来识别吸烟行为。本文模型使用深度卷积神经网络对室外公共场所监控摄像头所拍摄的图像进行检测,以YOLOv5算法为基础,融合优化改进的Mobilenetv3-small作为骨干网络进行特征提取,利用网络中特有的深度可分离卷积和反残差模块大幅度降低模型计算量,实现检测模型的轻量化。最后对空间金字塔池化模块加以改进,通过增加输入图像尺度从而减少特征提取过程的损失,提高检测精度。改良后的模型解决了现有烟支检测算法中普遍存在的因香烟目标较小,背景环境复杂等导致检测精度过低的问题,并将检测到的烟支细分为点燃的香烟和未点燃的香烟,以此判别检测图像中是否存在吸烟行为。同时,骨干网络的更换使模型参数量大幅下降,检测速度明显提高。通过大量实验对比,YOLO-cigarette模型在检测精度上达到95.2%,优于原始模型9.4个百分点,并且在测试集中达到了 95%的准确率。检测速度上YOLO-cigarette模型可以达到82FPS,满足检测的实时性需求。违规吸烟是引发森林火灾的主要原因之一,本文研究的模型将应用于宁夏回族自治区重点研发计划（2021BEG02007）,监测贺兰山中游客的违规吸烟行为并做出预警,及时制止吸烟行为,减少了火灾发生的可能,具有实际意义。