佩戴口罩可以有效预防病毒的传播,在实际的口罩佩戴检测任务中要对人脸进行检测,存在大量中小目标,而且在人群密集的区域,遮挡问题严重。目前专门用于口罩佩戴检测的算法在主动场景下效果较好,在被动场景下效果并不理想,所以在公共场所人员的口罩佩戴情况大多是通过人工监察方式进行监管,耗费人力资源。针对以上问题,本文基于深度学习将人脸口罩佩戴检测任务分为检测和跟踪两个模块分别进行研究。（1）检测模块以YOLOv3算法为基础。首先利用K-means算法对人脸口罩佩戴数据集重新聚类,更新先验框尺寸;其次将Darknet-53提取到的尺度为104×104的特征图经扩张卷积处理后与52×52的特征图相融合,以增大浅层特征图的感受野,提升对小目标的检测准确率;然后引入RFB结构对网络进行优化,增强提取特征信息的能力;最后将损失函数替换为CIOU损失,加快网络的收敛速度,进一步提升目标检测的鲁棒性。（2）跟踪模块采用多目标跟踪算法Deep SORT。Deep SORT引入级联匹配和新轨迹的确认,并采用卷积神经网络训练大型数据集提取特征,以减少ID切换次数,提高算法的鲁棒性。将改进后的YOLOv3作为Deep SORT算法的检测网络,应用在人脸口罩佩戴跟踪任务中,能在提升检测效果的同时改善被遮挡目标的跟踪性能。（3）通过网络爬虫和视频拍摄等方式获取大量人脸佩戴口罩的图片,将其与部分开源的人脸图片数据结合,获得更加丰富的人脸口罩佩戴检测数据集,用于网络模型的训练。在人脸口罩佩戴检测数据集上进行实验验证。结果表明,改进的YOLOv3算法的平均精度均值（m AP）能达到92.29%,相比原YOLOv3算法提高了6.71%,其中对小目标的检测精度（AP）提高了5.9%,说明改进后算法的检测性能得到明显提升,更加适用于人脸口罩佩戴检测。将改进后的算法作为跟踪模块Deep SORT的检测网络,在校园采集的视频数据上进行测试,能达到实时性的要求,表明了Deep SORT算法的有效性。