随着信息化程度不断加快,人们对于安防领域的人员合法性检测的需求越来越强烈。目前人员合法性检测主要是从大量的监控数据中筛选,需要人工审核,会消耗大量的人力物力,并且容易漏检。因此,利用深度学习辅助传统人工视频监控分析成为了安防领域的研究热点。本文从人员合法性检测的角度出发,在佩戴口罩检测和人员异常行为检测两大领域中开展了以下工作:（1）在新冠疫情背景下,为了防止人群聚集造成疫情扩散,本文提出一种基于改进YOLOv4的佩戴口罩检测算法,针对检测目标较小、模型训练过程中损失函数出现梯度消失的问题,本文使用密集连接结构改进YOLOv4主干网络的Res Block,加强模型的特征重复提取能力,提高小目标的检测准确率,防止梯度消失;对于CIOU损失函数没有解决真实框和预测框差异方向的问题,本文使用SIOU损失函数替换CIOU,解决了差异方向问题并可以加速模型的训练收敛;针对样本种类不均衡问题,本文使用Focal loss函数让模型在训练时充分关注难分类的样本。（2）针对当前异常行为检测模型实时性无法保证、在复杂场景下检测准确率较低的问题,本文提出一种基于YOLOv5的异常行为检测算法。首先,使用Swin Transformer网络替换YOLOv5主干网络解决复杂场景下的准确率问题;其次,针对模型对于不同尺度特征提取不充分、无法有效利用的问题,本文使用多尺度深度可分离卷积网络改进CSPLayer,降低了参数量并且保证特征可以进行多尺度融合,在Upsample模块后嵌入CA注意力机制加强模型对于方向和位置等信息的敏感性,可以有效提高模型检测性能。（3）本文研究设计了一种基于深度学习的人员合法性检测系统,结合用户需求分析和功能需求分析,对系统结构和具体模块的功能进行详细设计,将佩戴口杂检测和人员异常行为检测算法部署到系统中,最后通过测试验证了系统的检测性能。