近两年,新冠疫情在全世界范围内猛烈爆发,对人们的身体健康有着严重的危害,且由于其超强的潜伏性和传染性,同时也极大地影响了我们的现实生活。规范佩戴口罩,能非常有效的避免在呼吸时从空气中吸入新冠病毒,从而有效降低被传染新冠的概率。尽管如此,仍有一部分人出于各种原因不佩戴口罩,给防疫工作带来了巨大的麻烦与风险,极大地增加新冠病毒的传播概率。为了加强在新冠疫情中的防护工作,几乎所有人流量密集的公共场所如地铁、车站、大型商场、机场等地点都设有大量医护人员对人群的口罩佩戴情况进行检测。而诸如办公楼、小区门禁等地不仅需要检测进入人员是否佩戴口罩,甚至还需要在佩戴口罩的情况下识别出进入人员的身份。在当下以人力为主的检测和识别方式太过浪费人力物力,也是对公共资源的极大浪费。同时这种人工监督的方式极易出现漏检、误检等情况,且不能进行大面积的监控,只能对附近的人群进行检查,无法顾及到远处的人群,会导致有些不自觉的人在临近检查处时才佩戴口罩,仍然存在一定的风险。随着近年来深度学习的迅猛发展,其网络性能也愈发稳定和强大,在计算机视觉领域有着比机器学习更好的效果。因此使用基于深度学习的方法进行人脸口罩佩戴检测,可以实现对人群的口罩佩戴与否进行检测,节省人力物力的同时还能实现准确而高效的检测;以及使用基于深度学习的方法进行人脸口罩识别以实现口罩佩戴情况下的人脸识别,可以使得身份认证无需再摘下口罩,避免了在此过程中可能出现的新冠病毒意外扩散的风险。对当前形势下的疫情防控有着极大的应用价值和现实意义。在本文中,主要工作内容为基于深度学习的方法对人脸口罩佩戴检测算法和人脸口罩识别算法进行研究,具体如下:（1）针对Faster R-CNN网络中仅使用Res Net50的最后一个特征层作为特征提取结果,缺少足够的空间细节信息,导致Faster R-CNN网络对小尺度目标检测能力差的问题。本文共使用了Res Net50中三个不同尺度的特征层,以它们为基础进行多尺度特征融合,然后将其作为特征提取结果,充分融合了低层空间信息和高层语义信息,增强网络的特征提取能力。然后针对Faster R-CNN网络初始anchor尺寸过大,导致在边框回归中无法准确拟合小尺度目标的真实框的问题,使用聚类算法代替人工调整来聚类anchor尺寸,使得anchor尺寸更加贴合真实框且更适合于小目标检测。通过在本文人脸口罩佩戴检测数据集上对所使用方法进行消融实验和对比实验,证明了所提出的多尺度特征融合Faster R-CNN网络的有效性。（2）针对YOLOv4网络在本文数据集小尺度目标检测准确率不高的问题,本文对特征金字塔结构做出改进,新增了一个有效特征层,并增加了一个用于检测小尺度目标的检测头,提升了网络的检测性能。同时使用性能优于现有IOU损失的alpha-IOU损失替换原YOLOv4网络中的CIOU损失,提升训练过程中高IOU目标的权重,使网络的检测精度更高。最后使用三层检测头（Triple-Head）代替原YOLOv4网络的检测头,将分类、定位与置信度的预测分开,而不是同时进行,以此来提升网络的预测准确度。通过在本文人脸口罩佩戴检测数据集上进行消融实验和对比实验,有效的验证了本文所提的改进算法。（3）针对人脸口罩识别任务中,口罩遮挡不仅会减少图片中可用的人脸特征信息,同时也会在图片中增加无用的口罩特征,对人脸识别造成负面影响的问题。本文提出一种结合注意力机制的人脸识别算法,使用注意力机制模块改变区域权重,使得未被口罩遮挡的面部区域配有更大的权重,同时降低被口罩遮挡区域的权重,更加充分的利用未被口罩遮挡的区域。进一步的,使用裁剪的方法,将大部分的口罩区域去除,降低口罩特征对网络识别精度造成的负面影响。通过在本文人脸口罩识别数据集上进行相关消融实验和对比实验,有效的验证了所提出的结合注意力机制的人脸识别算法。