在全球机动车事故中摩托车驾乘人员伤亡率远大于汽车,相关研究表明,事故多以未佩戴摩托车头盔造成头部致命伤为主,因此行进中摩托车驾乘人员头盔检测显得十分重要。然而,行驶中摩托车驾乘者头盔佩戴检测的研究却较少,以深度学习方式进行的相关研究则更少。因此,本文基于深度学习对摩托车头盔佩戴检测进行了相关研究。针对摩托车驾驶员头盔佩戴检测提出了改进YOLOv2算法,实现对摩托车驾驶员头盔佩戴检测。针对摩托车上多人头盔佩戴检测问题,提出了基于优化Deep SORT算法的头盔佩戴检测,建立了包括摩托车定位、摩托车追踪和头盔佩戴情况等更为全面的检测方式,实现了摩托车上多人头盔佩戴检测。论文主要研究工作如下:（1）针对摩托车上只有驾驶员的头盔佩戴检测。基于自制数据集,使用YOLOv2算法进行头盔佩戴检测,发现存在检测速度低、模型大,且对景深小目标检测效果不佳等问题。从骨干网络、注意力机制与特征融合、激活函数、Drop Block模块等4个方面提出了改进的YOLOv2算法,提升了检测任务效果。（2）对于摩托车上多人头盔佩戴检测,使用开源数据集HELMET展开研究,提出了一种全面的检测方法,整个检测过程分为3个阶段:目标检测、目标追踪和分类。分析了开源数据集特点,提出应全面考虑驾乘人员的数量、位置以及头盔佩戴情况,为此提出3个待检信息（NPH）作为多人头盔佩戴检测研究对象,并设计了10位的二分类编码,缓解了数据集中的类别不平衡问题。（3）YOLOv3作为Deep SORT模型中的目标检测器,该算法存在检测速度低、特征鉴别力不足等问题,从轻量化骨干网络和构建深浅语义融合增强模块两方面,对原始YOLOv3网络进行改进,以提升其检测精度和检测速度。（4）构建了多任务学习框架,同时训练Deep SORT算法中重识别网络（深度表观特征提取网络）和对NPH分类的网络,以此实现了对NPH的分类,并降低了多目标追踪过程发生中ID切换次数,提升了多目标追踪精度。（5）针对摩托车驾驶员的头盔佩戴检测展开实验。使用自制数据集,将改进的YOLOv2算法与其它主流算法对比分析可知,对摩托车驾驶员头盔佩戴检测任务中的m AP值为90.44%、检测速度为24.3 fps,整体算法性能优于所对比的主流算法。针对摩托车上多人头盔佩戴检测展开实验。通过开源数据集和4个实际道路的视频,测试了优化后的YOLOv3-Deep SORT算法相对原算法检测速度由6fps提高到20fps,满足了实时性需求同时具有更高的检测精度和追踪精度,最终实现了对摩托车定位、追踪以及对驾乘人员的数量、位置、头盔佩戴情况的检测。