目标检测技术可以对图像中的目标进行定位,其在日常生活和工业制造中都存在着巨大的应用价值。与传统的机器学习和图像处理方法相比,基于深度学习的目标检测网络通常具有更加精准的识别率和更快的识别速度。近年来,深度学习领域的卷积神经网络发展迅速并逐步应用于日常生活的检测之中。如今,基于机器视觉、深度学习的检测技术在道路安全、智能监控等多个领域中已得到广泛应用。例如对公路上的行人进行检测,合理规避风险;对摩托车手头盔佩戴进行检测,分析其安全情况等实际案例,都表明该技术在日常生活中有着巨大的应用价值。为了满足人类的各种需要,目标检测算法也在不断改进。本文以SSD（Single Shot Multi Box Detector）网络为基础并在网络中添加注意力模型进行引导,对摩托车手头盔佩戴检测问题展开研究,由浅入深的论述了全卷积网络目标检测框架的实现原理和目前主流的一些注意力模型的实现原理和效果。在构建网络对目标进行检测时,通过将一步检测网络SSD-Net与视觉注意力机制的模块融合,并进行轻量化处理来改进网络的检测性能,提升网络的检测能力,有重要的理论和现实意义。本文主要研究内容具体如下:（1）采用SSD-Net网络实现对摩托车驾驶人的头盔佩戴检测并优化算法。本文以实际采集的道路摩托车行驶图片为训练样本,在SSD-Net框架下添加RFB（Receptive Field Block）模块,采用VGG-16作为基础网络提取网络结构特征来确定网络模型,并使用余弦衰减学习率作为训练策略对算法进一步改进。实验使用Ubuntu16.04操作系统,利用深度学习框架Pytorch搭建网络,并使用MAP值评估优化前后网络的性能。实验结果表明改进后的RFB-Net模型在摩托车驾驶人是否佩戴头盔的检测问题中具有较高较快的精度与速度,对道路安全具有很好的现实意义。（2）在SSD-Net中合理的引入类似视觉的注意力模块来提高网络性能。针对于摩托车手是否佩戴头盔的检测问题,对主流的单阶段检测网络SSD-Net引入注意力机制模块,使网络提取的特征图在通道和空间上进行权重的重新选择,并增加了类似人类视觉偏心率机制的RFB模块来改善特征的分布。通过使用Mosaic方法进行数据增强,并采用余弦衰减学习率来优化网络,从而完成对摩托车手是否佩戴头盔的检测任务。实验结果表明改进后的网络对摩托车头盔佩戴的检测结果比原始SSD-Net提升了4%-5%的MAP值,具有更好的应用效果。（3）对搭建的通过注意力引导的全卷积网络进行轻量化研究,选择优秀的轻量化主干网络Mobile-Net对检测网络进行轻量化改进,并对摩托车手头盔佩戴进行规范化检测。通过使用Mobile-Net对SSD-Net的主干网络VGG-Net进行替换,实现了Mobile-attention-SSD-Net。该网络通过主干网络轻量化以及注意力模块的添加,使其在保证准确率的前提下减少了网络的参数量、节省了存储空间并加快了网络的检测速度,在应用中体现出明显的优势。