2020年新型冠状病毒肆虐全球,疫情防控迫在眉睫。为防止疫情扩散,正确佩戴口罩在人们的日常生活中至关重要。目前针对大范围人员流动场所一般配备检查人员进行口罩佩戴检测,该方式存在工作人员与他人接触感染的潜在漏洞,同时无法具备全天候监测等不足。通过运用计算机视觉技术解决口罩佩戴检测问题,不仅可以避免人员之间交叉感染的风险,而且能够有效化解当下疫情常态化防控难题。口罩佩戴检测在计算机视觉领域可以视为两阶段任务:原始图像的人脸检测定位阶段和定位后人脸区域子图像的口罩佩戴识别过程。针对口罩佩戴检测问题,本文的研究重点是实现口罩佩戴检测的自动化运行解决方案,设计了基于深度学习的口罩佩戴检测方法。针对两阶段任务本文提出改进后的MTCNN（Multi-task Cascaded Convolutional Networks）人脸检测算法和基于Mobile-Net网络的口罩图像分类模型。本文的主要研究工作包括:（1）MTCNN因其较高的检测速度和准确率在无遮挡人脸检测领域取得了广泛应用。然而针对口罩佩戴情况下,该算法由于缺乏口罩人脸图像的特征学习使得人脸检测效果表现不佳。针对这一问题,本文提出一种改进的MTCNN口罩人脸检测算法。首先通过增强口罩人脸数据集重新训练改进后的网络模型,提升模型对于口罩人脸特征的学习表达能力。然后为提高模型检测速度,本文针对RNet、ONet网络结构使用步长为2的卷积层代替池化操作微调网络结构,降低网络模型计算量从而减少检测时间。最后通过使用ELU激活函数提升模型收敛速度,增强模型的鲁棒性,同时引入标签平滑正则化LSR通过扩大类间距离,减小类内间距,提升人脸分类任务准确度减少误检情况的发生。针对改进后的MTCNN网络模型使用FDDB无遮挡人脸和MAFA 口罩遮挡人脸数据集进行人脸检测测试,实验对比结果表明改进后的口罩佩戴检测模型相较于原始MTCNN算法mAP和FPS数值都有相应提升,满足口罩佩戴人脸检测任务中实时性和准确率的要求。（2）针对第一阶段检测到的人脸区域子图像,本文设计了基于Mobile-Net网络的口罩图像分类器用于口罩佩戴识别过程。Mobile-Net由于模型轻量、精度较高等特点能够进一步提升口罩图像分类速度,为口罩佩戴检测模型移植于移动端实现公共场所检测提供可能。本文通过深度可分离卷积网络模型使用MaskedFace-Net 口罩人脸数据集进行迁移学习。同时引入基于YCrCb阈值分割肤色模型的口罩佩戴误检判别式,降低手或其他皮肤遮挡物的错误识别,进一步提升口罩图像的分类准确度。最后在MAFA和LFW数据集上进行模型测试,实验结果表明该口罩图像分类器具有良好的泛化能力和准确性,满足口罩图像分类任务的相应需求。