近年来建筑行业发展迅速,同时工人的施工安全问题也日益突出。其中,不按规定佩戴安全帽的行为严重威胁了施工人员的作业安全。目前,对安全帽佩戴的有效监督主要依赖于人工现场巡视,这种监督方式效率低下,造成了人力与物力的浪费。计算机视觉技术的发展给安全帽佩戴检测任务提供了新的解决方案,但由于施工现场环境复杂、工人姿态变化多样等检测难点的存在,安全帽佩戴检测一直是领域中难度较大的任务之一。针对上述问题,对安全帽佩戴的自动检测方法进行研究,具体研究内容如下:为提升复杂施工环境下多尺度与小目标安全帽的检测精度,提出了一种基于无锚框机制的安全帽检测器——循环双向特征金字塔检测器（Recurrent Bidirectional Feature Pyramid Detector,RBFPDet）。与大多数检测方法不同,RBFPDet将安全帽检测任务看作一个强语义特征点检测任务,其主要由循环双向特征金字塔网络（RBFPN）与检测头组成。在RBFPN中,提出了一种反馈连接块与非局部特征增强块,两模块能够在扩大特征图感受野的同时将浅层特征融入后续递归阶段的输出特征中,并提升网络提取远距离同类前景与背景相似度的能力。在检测头中,为缓解特征金字塔非相邻层级语义稀释问题,将RBFPN输出的多个具有不同分辨率的特征图非等价融合成一个具有高语义信息的特征图,并在此基础上进行安全帽的检测与结果解码,进而提高了检测器的通用性与检测效率。针对基于目标检测与面部检测等头部定位方法在复杂施工环境下漏检与误检率较高的问题,对OpenPose模型进行改进,提出了一种基于人体姿态估计的自注意轻量级头部定位模型,并建立了一个施工环境下的头部定位数据集用于模型的训练与测试。为保证模型的实时与准确性,通过迁移学习技术共享了 RBFPDet与自注意轻量级头部定位模型的主干网络,并利用预训练与Fine-tuning技术提升网络性能。为在保证检测精度的前提下提升模型的检测速度,降低了 OpenPose每个预测分支的输出通道数,去除对头部定位任务的无用参数。此外提出了一种自注意深度可分离卷积块,以较少的参数量实现了高效的感受野扩增与特征提取操作,同时加强了模型的特征提取与非线性拟合能力。为准确判断多种姿态下的施工人员安全帽佩戴情况,并提高模型对手持安全帽等各类易误检情况的抗干扰能力,提出了一种抗干扰动态配对安全帽佩戴检测方法。该方法利用RBFPDet预测出的安全帽中心点及长宽信息与自注意轻量级头部定位模型预测出的头部关键点及部分亲和向量场信息建立安全帽佩戴检测模型。通过相对尺度、相关向量关系等多种约束确定安全帽的合法位置,实现了安全帽与施工人员头部准确高效的动态配对。本文对模型进行了对比、消融实验及特征图可视化分析,结果显示本文所提出的方法具有较高的准确性与较强的抗干扰能力,能够有效应对施工环境下的安全帽佩戴检测任务。