新型冠状病毒可以通过空气中的飞沫、气溶胶等载体进行传播,具有极高的传染性,公共场所自觉佩戴口罩是严防疫情反弹的最有效措施。此外,某些特殊的工作场所（如打磨车间、无尘车间）需要工人随时佩戴口罩进行作业。对于口罩佩戴情况,人工巡逻式的排查费时费力,因此,联合摄像头进行PC端的智能监测成为趋势。目前,大多数口罩佩戴检测算法只关注检测精度,在低性能PC端的检测效率并不理想。为此本课题从判断人脸是否佩戴口罩出发,基于YOLOv3算法的思路,意图探索出一种检测精度高、速度快的轻量型口罩佩戴检测算法。首先,针对口罩佩戴检测轻量高速的要求,在YOLOv3的主体网络下引入基于深度可分离卷积和倒置残差结构的特征提取网络MobileNetV2。通过将标准卷积拆分为逐通道卷积和逐点卷积,大大缩小了网络的参数量及计算复杂度,从而提升了算法的检测速度;通过倒置残差结构实现通道的先升维后降维,丰富了深度可分离卷积提取到的特征信息。其次,在特征提取网络之后引入空间金字塔池化结构实现了全局特征和局部特征的融合,丰富了最终特征图的表达能力,在几乎不增加网络计算复杂度的情况下提升了模型的检测精度。最后,通过改进边缘框回归的损失和数据增强对网络的训练过程进行优化。YOLOv3在训练过程中利用L范数计算边缘框回归的损失,而在评估过程中利用交并比来判断是否检测到目标,这两者存在不等价的问题。因此,本文将边缘框回归的损失优化为与交并比相关的损失函数。此外,本文利用Mosaic数据增强方法进一步提升了网络的泛化能力以及抗干扰能力。本文方法在自行构建的数据集上通过交叉验证的方式进行评估。实验结果表明,本文方法在保证检测精度的同时大大缩小了网络复杂度,检测速度在实验平台上达到125帧/秒,与几种优秀的检测算法相比占据绝对的速度优势。同时本文方法在亮度尺度的变化和遮挡情况下仍具有较好的鲁棒性,对复杂环境下的实时检测具有一定的适应能力。