新冠疫情肆虐以来,国家的经济发展和人民的日常生活都受到了巨大影响,为防止疫情传播,公共场所佩戴口罩应作为常态化疫情防控的必要手段。在商场、车站等人群密集的地区,通过人工检查口罩佩戴情况会消耗大量的人力资源且效率低下,因此,利用计算机视觉技术高效智能监测口罩佩戴情况具有重要意义。目前,口罩佩戴检测算法存在密集人群场景下抗干扰能力弱,遮挡目标和小目标漏检、误检等问题。针对以上问题,本文基于YOLOv3对口罩佩戴检测算法展开研究,具体工作如下:（1）针对口罩佩戴检测出现的关联特征信息利用率不足的问题,提出一种基于多尺度通道注意力机制的SE-YOLOv3改进算法。通过SENet重构YOLOv3特征提取网络,利用注意力机制挖掘目标上下文关系,从而促使网络对关联目标区域具有更高的关注度。其次,针对YOLO系列算法的检测头存在分类任务和回归任务空间冲突问题,在SE-YOLOv3基础上引入Decoupled Head解耦头。通过两个分支8个卷积模块将分类和回归任务分开实现,预测时再将两者整合。改进后的SE-YOLOv3-D算法使特征层中目标的分类信息与边界框定位信息得到优化,进一步地提升了检测精度。（2）针对密集人群场景下样本数据缺乏导致模型难以泛化的问题,使用Mosaic数据增强方法对RMFD（Real-World Masked Face Dataset）数据集进行扩充。其次,通过K-means++聚类算法优化锚框挑选方式,提高模型对口罩、人脸目标的学习效率和识别精准度。接着对损失函数进行改进,加快模型收敛速度的同时,解决边界框定位不精准的问题,并将改进后的算法命名为YOLO-Mask算法。通过消融实验和鲁棒性实验,从整体上更直观地展现出以上改进策略对YOLO-Mask网络性能带来的提升,最后将本文方法与当前主流目标检测算法进行对比。实验证明,YOLO-Mask算法在RMFD数据集上的平均精度达到了88.16%,相较原始YOLOv3提高了7.25%,可以有效降低遮挡目标、小目标以及密集人群场景下目标的漏检率和误检率,能够在口罩佩戴检测任务中实现高精度的实时性检测。