近年来,我国电动车保有量持续上升,与电动车有关的交通事故也在不断增加。为降低骑行人在事故中的受伤程度,许多城市规定骑行电动车须佩戴头盔,电动车头盔佩戴检测逐渐成为计算机视觉领域研究的热点问题。通过人工智能算法检测电动车骑行人员头盔佩戴情况可以减少人工介入,对促进道路安全具有重要意义,也是迈向交通智能化的关键一步。本文引入深度学习算法进行电动车头盔佩戴检测问题的研究,首先通过深度学习模型检测出电动车、骑行人头部等关键目标,然后对检测到的电动车目标和骑行人的头部目标进行匹配关联,实现了对电动车骑行人头盔佩戴情况的准确、实时检测,最后在嵌入式平台上完成了电动车头盔佩戴检测系统的构建。本文的主要工作及创新总结如下:（1）提出了一种基于头车匹配的电动车头盔佩戴检测方法。该方法以YOLOv5模型检测电动车目标、头部目标和头盔目标为基础,通过设定电动车和骑行人头部的距离阈值,将电动车和所属骑行人员进行头部匹配,有效解决了现有方法中存在的检测效率低、泛化性差等问题。同时,制作了与所提检测方法相匹配的三分类电动车头盔佩戴检测数据集,数据集包含5000张图片,充分考虑了天气、角度、距离和遮挡程度等因素,极大增强了模型的鲁棒性。最后在自制数据集上进行实验,证明了所提检测方法的有效性。（2）提出了一种基于YOLOv5的模型改进方法,以解决深度学习模型体积较大、实时性不佳的问题。首先设计了Ghost CSP-Bottleneck模块以优化特征提取结构;然后使用Ghost Bottleneck模块替换YOLOv5中的卷积模块以减少参数量;同时在主干网络增加注意力机制以提升检测精度;最后引入CIOU损失函数提高模型训练过程的收敛速度。改进后的模型在参数量和体积上分别压缩了47.89%和47.22%,在保证检测精度的情况下检测速度提升了8.4 FPS,且具有较好的泛化性。（3）基于Jetson Xavier NX嵌入式平台设计了一个电动车头盔佩戴检测系统。该系统通过摄像头读取视频流,将视频流解码和格式转换后输入改进后的YOLOv5模型进行推理,系统采用多线程的方式实现,可以将读取视频流和模型推理同时进行。同时使用Tensor RT优化系统检测性能,Tensor RT通过降低计算精度和精简模型结构的方式,大幅提升了模型在嵌入式平台的检测速度,达到实时性检测的目的。经过测试,本文设计的系统在Jetson Xavier NX嵌入式平台上的检测速度达到28.2 FPS,实现了对电动车骑行人头盔佩戴情况的准确、实时检测,具有极大的实际应用价值。