中国建筑行业60%以上的安全事故因为不戴安全帽或者没有安全意识导致。不戴安全帽随意的进出施工区域,不按规章制度佩戴安全帽造成的人员伤亡都是血淋淋的教训。佩戴安全帽是保障工程环境下生命安全和保证生产安全的重要举措,对工作人员佩戴安全帽的监督和管理也是其中必不可少的重要环节。传统的佩戴安全帽监督方式和管理方法,与信息化、智能化并重的工业时代生产方式不相适应。无论是建筑方还是施工方,都亟待解决智能安全帽佩戴的检测问题。本文以单阶段目标检测的YOLOv4算法为基础,通过组合低层特征形成抽象的高层表示属性类别或特征的检测技术,通过对深度学习算法的改进,提出了基于深度学习算法视频监控下安全帽佩戴的智能检测方案,以其为工程环境下的安全生产提供借鉴和参考。研究视频监控下安全帽佩戴检测的深度学习算法,在YOLOv4基础上,针对安全帽佩戴检测的实际问题,对算法进行了网络结构的改进,具体有以下研究内容:第一,针对当前安全帽佩戴检测实例中,对于小目标的检测精度不高且容易漏检的问题,本文通过特征加强的方法,增加特征融合通道,提出了一种基于深-浅特征融合改进的YOLOv4方法。通过提取深层与浅层特征,利用空间金字塔池化融合的方式构建模型,保留了在大尺度特征图中安全帽等小目标的空间位置信息,增强了小目标检测的分类与定位。第二,针对YOLOv4以及基于深-浅特征融合改进的YOLOv4算法训练模型参数量大、训练耗时长的问题,限制着该算法在复杂场景下的进一步发挥的问题,设计出一种新的改进模型。该模型采用结构创新的方式,使用深度分离可卷积网络替换CSPDarknet主干网络。针对每个输入通道,使用单个卷积核进行卷积,计算得出输入通道数的深度,接着运用逐点卷积（即1×1卷积）,线性结合处理深度卷积中的输出。与传统卷积相比,减少了参数量,因而对于有遮挡的场景,能够减少遮挡。本文模型在识别精确度和性能消耗上均获得了较好表现,在NVIDIA 1080Ti上检测速度可达20FPS,相比基于深-浅特征融合改进的YOLOv4在速度相当的情况下精度提升了1.12%。第三,针对训练模型在测试集上检测精度不够问题,利用集成学习的思想进一步提升算法的精度。通过对数据集进行重新划分,以分批次数据增广的形式训练出若干个检测模型。利用集成学习中的Bagging算法解决训练过拟合问题,在节省训练时间的同时,进一步提升了检测精度。最后,通过大量实验验证,实验结果表明,本文第三章提出的基于深-浅特征融合的安全帽检测方法、第四章提出的基于YOLOv4和深度可分离卷积目标对象（安全帽）检测优化方法、第五章提出的基于集成学习的视频监控下目标对象（安全帽）检测优化方法,检测准确率平均可达91.99%,与现有采用YOLOv4模型的算法相比,检测精度高出3.05%,能够满足大多数工作场景中安全帽检测的实际应用需求。