改革开放以来,我国建筑行业发展迅猛,其在国民经济中的比重不断提升,对国民经济发展的推动作用也愈发明显,但建筑业也是一个危险性高、安全事故多发的行业。频频发生的安全事故不仅威胁着建筑工人的生命安全,也严重阻碍了建筑行业的健康发展。在传统的施工安全管理模式中,许多工作都要由人工来完成,如人员统计、设备管理等,存在着低效、易错、高成本等多方面的问题,而面对当前愈发复杂多变的施工现场,传统的管理模式已经显得心有余而力不足,难以满足新时代的管理要求,故而,提升建筑施工现场的管理水平刻不容缓。对此,本文根据施工安全LCB理论来指导施工现场的安全管理,利用深度学习技术智能监测现场工人不佩戴安全帽的危险行为,最终设计并实现了一个施工安全数字化管控平台,该平台能够从多个方面帮助建筑方管理者管理施工现场,提高管理水平。本文主要工作如下:（1）本文对目前施工现场在管理方面存在的一些问题进行了调研和分析,同时结合施工安全LCB理论,完成了平台的需求分析,形成了需求文档。之后,本文确定了平台的总体架构和功能架构,然后完成了平台的数据库设计,最后是进行详细设计。其中平台前端技术主要包括Vue.js和JeecgBoot等基础框架以及ECharts和Ant-Design-Vue等可视化组件库,后端技术主要包括了 SpringBoot和MySQL等。在整体开发完成后,本文对平台的每个功能模块都进行了必要的测试,确保平台能正常工作。（2）在施工安全管理模块中,除了利用布设在施工现场的监控摄像头进行远程实时监控外,本文还利用了近年来突飞猛进的深度学习技术来检测不佩戴安全帽的危险行为。目前,在目标检测领域,YOLO系列模型在检测速度和检测精度方面都有着出彩的表现,因此本文选择其中的YOLOv3和YOLOv4作为候选模型,在公司私有的FYD数据集和公开数据集SHWD、HHWD上进行实验,得到了多个模型,其中使用SHWD进行预训练的YOLOv4模型在目标数据集FYD上取得了最好的性能,因此本文最终以此模型作为安全帽佩戴检测的算法。本文设计并实现的施工安全数字化管控平台以施工安全LCB理论作为施工现场安全管理方面的理论指导,利用深度学习技术智能监控现场不戴安全帽的危险行为,实现了施工现场的数字化和智能化管理,最终完成的平台满足了新时代对于施工安全管理的要求,切实保证了施工人员的生命安全,有效遏制了安全事故的发生,促进了建筑行业的健康发展。