建筑工地通常是环境恶劣、情况复杂、不断变化的,很容易导致建筑安全事故。其中许多建筑安全事故都是由于工人在建筑工地被移动设备撞击引起的。因此,有必要增加额外的安全措施保护建筑施工人员,对施工现场的工人和危险区域进行远程定位,并监督工人按照现有的安全规范和标准要求在现场穿着高能见度的服装,保护建筑施工人员安全。在目前的建筑行业中,没有算法可以同时检测建筑施工人员和危险区域,并识别建筑施工人员的特征。因此,本文提出一种目标检测与特征识别算法,使用统一的框架训练具有多任务的卷积神经网络算法,完成上述任务,达到提醒建筑工人穿戴安全设备和保护建筑工人安全的目的。本文主要的研究工作有:(1)本文提出的目标检测与特征识别算法是基于大量图像数据训练的深度学习算法,所以算法的使用效果与训练数据和实际使用数据的分布情况有极大的关系。因此提出了一种基于暗通道先验和CLAHE的图像增强算法,使所有图像数据满足户外晴朗自然的条件,即使训练数据和实际使用数据的分布情况相同,以达到提高目标检测与特征识别算法效果的目的。(2)本文提出了基于卷积神经网络的特征提取与利用结构。设计了尺度不变的特征金字塔池化结构,旨在拓宽输入图像在深层网络的特征,以帮助网络更好地提取高分辨率输入图像中的多尺度深层次特征;设计了特殊的特征传输网络,用于在网络之间传输特征,使得一个网络可以分别从另一个网络获益。尺度不变的特征金字塔结构和特征传输网络提高了深度学习网络特征的提取效果和利用效果。(3)本文提出了基于卷积神经网络的目标检测与特征识别算法,用于建筑施工人员、危险区域和建筑施工人员特征等多个任务的检测与识别。针对上述任务,在YOLOv3的基础上增加了特征识别网络,使用了尺度不变的特征金字塔结构和特征传输网络提高网络预测效果。基于卷积神经网络的目标检测与特征识别算法是一个端到端的多任务框架,可以同时满足多个检测与识别任务。