建筑业作为中国经济支柱之一,对于建筑工人的需求非常巨大。然而,建筑工地复杂多变,存在大量潜在危险源,如物体坠落、工作平台倒塌和机械伤害等,会给从业人员造成伤亡事故。造成工地人员伤亡的主要原因包括高空坠落造成的脑部受伤和物体撞击。作为预防措施,个人安全防护用品的使用在保护工地人员免受意外伤害方面起着至关重要的作用(如安全帽和安全带)。然而,由于各种原因,安全帽和安全带的使用在一些情况下并没有得到严格落实。为了提前预警未做好个人防护的工地人员,已有研究应用图像处理和深度学习技术自动检测工地人员是否佩戴安全帽和穿戴安全带。本文针对现有研究可能存在的普适性和效率方面的局限性,提出基于深度学习的工地人员安全防护的视觉检测算法,包括安全帽佩戴检测和安全带穿戴检测。在安全帽佩戴检测问题上,本文构建一个面向各类工地场景的安全帽检测数据集,涉及复杂背景、天气与光照变化和人员遮挡等情况。然后,将安全帽检测问题定义为五个类别的目标检测问题(四种安全帽颜色和未佩戴安全帽),并提出了基于卷积神经网络的安全帽佩戴检测网络。为解决现有目标检测方法对于小尺度安全帽目标的检测难点,提出反向渐进注意力将具有不同分辨率特征图进行区分融合,以生成新的特征金字塔用于检测。实验结果表明,提出的安全帽检测模型在各种工地现场条件下性能表现良好,当输入图像大小为512×512像素时,可以达到83.89%的平均精度。在安全带检测问题上,本文从解决计算资源有限情况下的安全带检测问题出发,提出一种结合空洞卷积和深度可分离卷积的轻量级安全带检测网络框架。为满足实际建筑工地现场中视频监控平台对于处理监控视频时的实时性要求,提出空洞卷积和深度可分离卷积整合模块作为构建检测网络特征提取骨干网的基本单元。该模块主要思想是在特征图的每个通道上应用扩张率不同的空洞卷积,在减少参数量的同时扩大其感受野。实验结果表明,本文提出的轻量级安全带检测模型能够以超过每秒25帧的速度运行,在计算资源和检测精度之间取得了更好的平衡。本文提出的安全帽和安全带检测算法将为智慧工地的人员安全监控提供新的解决方案。