自2020年1月以来,由于新型冠状病毒的快速传播,对全球各国人民健康和整体经济水平都带来了极大的影响。而正确并规范佩戴口罩是防止新型冠状病毒传播的有效方法,因此在车站、商场等公共场所,通常会设置人工检测点,进行口罩佩戴的提醒和检查。然而由于我国人口基数大,这种人工检测方式极大的增加了检测人员的工作压力。尤其是针对封闭环境内密集人群口罩佩戴情况的长期监控,人工检测方式更是无法胜任。因此,口罩佩戴自动检测成为新的防疫需求。针对公共场所口罩佩戴检测所面临的实时性,多目标多姿态以及面部遮挡等挑战,本文展开了具有高检测率和实时性的口罩佩戴检测方法研究,论文主要工作如下:（1）针对口罩佩戴检测数据集匮乏的情况,建立了一个包含5127张图片的口罩佩戴检测数据集,为后续研究工作的模型训练和模型效果测试提供数据基础。该数据集涵盖了机场、车站、地铁等多种国内外公共、复杂场景,包含多种口罩样式以及遮挡,能够保证数据的多样性,并根据模型检测要求使用了Label Img进行标注。（2）设计了一种基于YOLOv4的口罩佩戴检测方法。该方法一方面通过引入空洞卷积和非对称卷积等思想,结合RFB设计了特征加强模块RFB-s,并替换YOLOv4中的空间金字塔结构,扩大了模型感受野,降低了网络参数量。另一方面,增加了注意力模块,提升了模型信息处理能力。通过在自建的口罩佩戴检测数据集和开源数据集上的实验,对比不同网络结构和不同算法情况下的m AP值和运行速度,验证了本章算法在口罩佩戴检测性能上的提升。（3）针对监控视频检测实时性的需求,进一步设计了口罩佩戴实时性改进方法。通过引入轻量级骨干网络Mobile Net-v3并添加注意力模块,提升模型的信息处理能力,同时引入空洞卷积和CSPNet,对网络预测部分进行修改,增强模型特征提取能力的同时降低模型参数。改进后的模型保持了轻量级特点,模型训练、检测时间大幅降低,更适用于对监控视频的实时检测。实验结果表明,基于YOLOv4的口罩佩戴检测方法RFBNet-s在两个不同数据集上的平均检测精度分别达到99.38%、99.13%;口罩佩戴实时性改进方法YOLO-Mask在平均检测精度保证95.6%、92.3%的前提下,FPS值分别达到了67.6、65.8,相较于第一种检测方法提升了30.4、29.3,保证了算法的实时性。两种方法基本解决了现阶段口罩佩戴检测方法面临的检测率低和实时性不高的问题。