在新型冠状病毒疫情期间,佩戴口罩检测是计算机视觉中的重要研究热点。为了防止疫情卷土重来,市民在疫情期间出行时佩戴口罩是非常有必要的。因此在公共场所应用一种高性能的佩戴口罩智能检测技术显得十分迫切,这可以有效减轻工作人员的监督负担,减小人员密集和人流量大的公共场所的漏检概率。本文基于深度学习的方法搭建了一套复杂场景下的佩戴口罩检测系统,针对佩戴口罩和未佩戴口罩这两种情况完成检测任务。本文从以下三个方向开展研究。（1）本文针对佩戴口罩检测场景的复杂性提出一种改进的目标检测网络,具体来说就是在原目标检测网络RetinaNet的残差学习单元中建立一个分支,在该分支中融入一种具有特征重标定特性的注意力机制。这种注意力机制的思想来源于人类视觉系统,反射到深度学习中可以理解为通过对特征的学习获取每个feature-map通道的重要程度,然后基于这个重要程度对每个通道进行权重分配,从而达到增强有用信息和抑制无用或者用处不大信息的效果。由于在人员密集场景中脸部遮挡比较严重,因此在目标检测网络中融入注意力机制,通过对重要信息权重增强的特点可以更好地学习目标的局部特征,从而达到更好的检测性能。（2）佩戴口罩检测技术的应用场景不同,有的是远小目标,有的是近大目标,因此本文对（1）中提出的网络做进一步地优化以提高对场景中远小目标的检测性能,具体是通过对（1）中网络的特征金字塔部分增加一层浅层特征层,并且将浅层特征依次融入到更深一层的特征层中。因为与深层特征相比,浅层特征虽然经过的卷积层更少,语义信息更弱,但浅层特征的像素分辨率会更高,同时也包含更多与位置和纹理相关的细节信息。因此加入浅层特征信息有助于网络在特征学习中更好的学习到远小目标的细节信息。（3）另外,本文还使用随机擦除和Mosaic数据增强方法对佩戴口罩数据集进行扩充,通过增大遮挡目标样本数和丰富检测物体的背景以提高网络的泛化能力。最后,在Ubuntu 16.04操作系统上基于Pytorch实验平台搭建佩戴口罩检测系统,通过智能控制系统可以完成日常的佩戴口罩检测任务并实现智能放行操作,最终实现疫情期间佩戴口罩行为的无接触式智能监督。