伴随科学技术的极速发展以及对于现代工业安全重视程度的增长,视频监控已经开始从人工监控转变为智能化监控。安全帽作为建筑施工人员保证自身安全的最重要的防护用品,在施工现场进行作业操作时是要求必须佩戴的。安全帽识别检测是建筑场地智能化监控的重要组成部分,也属于计算机视觉实践运用的研究范畴。对于传统的数字图像处理算法而言,光照问题、目标物体遮挡以及形状大小不一等问题对检测精度和目标定位都是一个艰巨的挑战。传统的数字图像处理算法在各种挑战下缺乏鲁棒性是之前未能实现监控智能化的一个重要原因。随着研究人员对神经网络探讨的持续进行,卷积神经网络凭借其具备非线性变换的特性,理论上能够拟合任意函数,同时其泛化能力也十分出色,故其在物体识别检测任务上被大量使用,也使得深度学习识别检测技术在智能化监控上得以应用。本文以建筑场地智能化监控为研究背景,研究探讨安全帽的检测和定位技术,并结合计算机视觉和深度学习相关理论着重研究如何提高安全帽检测和定位的整体精度以及鲁棒性,围绕着这个主题主要开展了如下工作:（1）分别采用了传统的数字图像处理算法和深度学习检测算法对安全帽的识别检测进行了研究。首先对施工场地图片进行了颜色空间的研究,确定了使用YCr Cb颜色空间的Cr变量和Cb变量作为肤色检测的图像前后景分割的基准,再使用椭圆检测算法从分割出来的前景中定位人体头部区域,最后通过人体头部上方区域的颜色特征来判定安全帽的佩戴状态,实验结果表明在不同的光照和安全帽遮挡程度情况下,传统数字图像处理算法的检测效果均勉强合格。针对传统方法存在的目标漏检的情况,提出了基于Faster R-CNN的安全帽检测算法,在同样的情况下进行实验,其检测效果有了明显的提升。（2）针对Faster R-CNN检测算法框架中对小目标物体识别精度低以及目标位置检测精确度不理想的问题,本文提出了基于残差网络模型和位置敏感层的安全帽检测算法。通过使用数据增广操作增强数据类型的多样性,验证了数据多样性能够很好的提升网络模型的鲁棒性。并将改进的安全帽检测算法和Faster R-CNN算法做对比,实验结果表明残差网络模型和位置敏感层对检测精度和定位能力都一定的提升。