在电力生产中安全帽是保护工作人员生命安全的重要装备,然而有些人缺乏安全意识,不佩戴安全帽导致意外事故的发生,因此检测安全帽具有重要意义。但现有的算法对多尺度安全帽存在检测精度低、鲁棒性差等问题。因此如何准确地识别出尺度不一的安全帽,减少因未佩戴安全帽造成的损失,是保障电力工作顺利进行亟待解决的问题。近年来,由于神经网络较强的特征学习能力,在目标检测领域得到了广泛应用。因此本文利用深度神经网络对多尺度安全帽进行检测,在SSD（Single Shot Multibox Detector）的基础上提出MSHD（Multi-scale Helmet Detector）算法。针对多尺度安全帽检测精度低的问题,MSHD采用通道拼接的方式融合不同层次特征图,利用融合后生成的特征图金字塔对不同尺度的安全帽进行检测。融合过程中使用的像素组合上采样方法将不同通道的像素点组合在一个通道上,不需要计算待插值点的像素值,因而提高了上采样速度。针对较大尺寸和较小尺寸安全帽召回率低的问题,MSHD在训练阶段利用默认框匹配退让算法促使仅有一个匹配框的真实框获得合适数量的匹配框,增强网络的训练效果,提高它们的召回率。针对多尺度安全帽识别过程中回归不准确的问题,MSHD采用CIo U loss作为其位置损失函数,提高安全帽的回归精度。针对安全帽的形状比例,重新设置默认框的宽高比,促使默认框更加符合真实框,提高安全帽的检测精度。实验表明,本文提出的MSHD算法与SSD算法相比检测精度大约提升了6%。该方法在多尺度安全帽检测上既具有较好的检测精度,又具有较快的检测速度。目前MSHD算法已部署到国家电网的安全管控系统平台中,安全帽的检测效果符合电网检测要求。