当下全球新冠肺炎疫情肆虐,佩戴口罩被证实为最有效的防疫手段,特别是公共场所佩戴口罩与规范佩戴有助于抑制病毒传播和避免交叉感染,如何检测是否佩戴口罩和识别是否佩戴规范逐渐成为了研究的热点话题。如今,疫情已经步入了全球大流行的第三年,从德尔塔到奥密克戎,病毒仍然在不断更新,带给人类的威胁依然没有减弱。面对复杂严峻的疫情形势,为了人民的生命健康安全,我国疫情防控工作逐渐转入常态化。政府反复要求民众在公共区域等人群密集的场所科学佩戴口罩。但也有一些人因为戴口罩麻烦、不舒服等原因不规范佩戴口罩甚至不戴口罩,存在侥幸心理,大大增加了病毒传播的风险。因此,公共场所中对于行人佩戴口罩的检查与提醒必不可少。人工检查的方式效率低、速度慢,还极易出现误检、漏检,利用智能设备进行人脸口罩佩戴的自动检测已成为必然趋势。论文基于深度学习方法对口罩佩戴检测和规范佩戴识别算法开展研究,包括自然场景下多人脸目标是否佩戴口罩的检测以及主动场景下单人脸目标是否规范佩戴口罩的识别,工作内容如下:（1）对现阶段国内外人脸口罩佩戴检测和规范佩戴识别相关算法的研究工作和成果进行了深入系统的分析研究,总结归纳了主动和被动两种应用场景下不同类型算法的优缺点、主要解决问题和模型改进策略,指出了目前口罩佩戴检测存在的问题以及规范佩戴识别研究的缺失。（2）针对多口罩人脸目标检测场景下存在的漏检、误检问题,提出了一种基于YOLOv4-tiny改进的注意力特征融合口罩佩戴检测模型,通过引入注意力机制模块ECA-Block和路径聚合网络增强了模型的准确率,同时满足实时性要求,达到了最好的检测效果,在数据集上表现性能为m AP值91.90%、FPS值30,证明了模型的有效性。（3）针对单口罩人脸目标应用场景下的规范佩戴识别问题,创新性地提出了一种轻量级两阶段口罩规范佩戴性识别模型,通过人脸检测网络MTCNN定位人脸区域,再结合轻量级卷积网络Ghost Net对佩戴情况进行分类,利用编程实现了整个算法,经过实时测试表明了模型的可行性。