随着新冠疫情的肆虐,基于计算机视觉的口罩佩戴检测得到了快速发展。但因为用于疫情控制的口罩自动检测场景复杂,计算资源有限,现有检测算法鲁棒性和实时性差;用于模型训练的数据集比较小,现有数据集缺少未规范佩戴的图像标注,数据集类别不平衡,造成少数类别未规范佩戴口罩检测精度差。针对上述问题,兼顾速度和检测精度,本文从数据集扩充、数据增强算法改进、网络结构优化和损失函数设计等方面开展研究。主要工作如下:（1）建立一个包含多场景、多类别的口罩佩戴检测数据集。数据集拥有14157张图像,共计24286个标注人脸。按照8:1:1比例随机划分训练集、交叉验证集和测试集。人脸目标在尺寸、姿势、光照、遮挡程度、表情等方面有丰富的变化。并且根据检测任务需求,使用Label Img进行详细标注,用于口罩佩戴检测模型的训练测试。（2）提出一种基于动态加权类别平衡损失的口罩佩戴多类别检测算法,解决当下算法普遍忽略检测未规范佩戴口罩,由于数据集类别不平衡导致少数类别检测精度差的问题。以通用目标检测网络YOLOv4为基础网络,设计动态加权类别平衡损失,代替原有的交叉熵损失。以训练时每个批次各类别实例数量的倒数作为主权重,以有效样本数量倒数为辅助权重,动态调整各类损失权重,有效缓解直接使用重加权方法稳定性弱、精度震荡和检测效果不理想问题。与当下主流的兼顾精度和速度的检测算法进行对比的实验表明,基于动态加权类别平衡损失的口罩佩戴多类别检测算法,能够有效提升检测精度,尤其是少数类别的精度相比于基准网络提升6.21%。（3）提出一种基于多尺度空洞卷积融合的YOLOv4-tiny口罩佩戴检测算法,解决在计算资源有限情况下,现有轻量化算法检测精度不高、在各真实场景算法鲁棒性差的问题。针对轻量化算法YOLOv4-tiny的颈部网络设计简单、对特征利用不足、感受野小等缺点,设计多尺度空洞卷积融合模块和上下双向融合模块优化颈部网络。多尺度空洞卷积融合模块并联使用多个尺度空洞卷积进行特征提取,对不同感受野下的特征进行融合,加强上下文信息,提高骨干网络输出的特征利用效率。上下双向融合模块在FPN结构基础上,将低层的细节信息融合到高层检测分支,丰富了各检测分支的语义信息和细节信息,促进后续回归和分类任务的提升。在自制的多类别口罩佩戴检测数据集进行测试验证,实验表明,基于多尺度空洞卷积融合的YOLOv4-tiny的口罩佩戴检测算法能够加强对小目标和遮挡目标的检测能力,m AP相比较于基准网络提升5.5%。（4）为了贴近实际复杂的检测环境,根据口罩人脸图像的特性,改进Mosaic数据增强算法。改进后算法扩增数据集能有效提升少数类别的检测精度,提升复杂背景的检测性能。此外,针对现有算法忽视真实防疫场景天气多变、场景复杂、算法鲁棒性和泛化能力差的问题,提出全天候场景数据增强方法,模拟夜晚、雨天和雾天等场景图像进行数据增强,有效提升模型对各真实场景的检测能力。在自制的多类别口罩佩戴检测数据集和真实多场景数据集进行测试验证,实验表明,使用数据增强后数据集训练的网络模型,能有效提升各真实场景下的检测精度,相比于基准网络,各场景模型性能提升5.5%-10%。