随着近些年来人工智能在计算机领域的不断发展,人脸检测的相关课题研究渐渐成为了人工智能领域内较热门的研究课题,到目前为止取得了许多重大的进展和突破。人脸检测作为计算机视觉处理的一部分,可以通过对图像信息的处理获得丰富的高价值信息。随着对深度学习技术不断的研究探索,基于图像处理技术的人脸检测技术得到了一次次的促进。人脸检测技术的应用可以分成两类:静态图片检测和动态视频检测。早期的人脸检测基本以静态图片检测为主,发展到现在已经非常的成熟。而基于视频图像的人脸检测仍是我们的研究热点。基于静态图片的人脸检测与面向视频的人脸检测相比,视频中得人脸目标具有多姿态、实时性等一些特点,这对于进行人脸检测十分具有难度。所以对基于动态视频的人脸图像处理技术的研究就成了一个非常有意义非常有难度的研究课题。所以本文将基于动态视频的人脸目标检测作为的研究课题,构建基于深度学习的人脸口罩检测算法,并使用Pytorch深度学习框架进行实现。（1）首先,我们基于YOLO目标检测算法实现了一个人脸口罩检测模型,它先是改变了原模型的目标侦测网络结构,以提高对人脸检测的针对性。其次优化了YOLO模型中原有的NMS（非极大值抑制）,以此来提高模型的检测速度。然后,针人脸检测的使用环境对原YOLO模型中的损失函数进行了重新设计,提高模型的检测精度。并对新模型进行评价。（2）针对于YOLO模型设计的新检测网络所出现的问题,提出了基于MTCNN级联网络为基础的人脸检测模型。我们先是针对检测对象将三级级联网络进行了重新设计,提升了卷积宽度,增加了一部分特征层的大小减少了池化层以此来提高了检测网络对于人脸的检测能力,重新优化模型中的NMS提高了检测速度,对模型原来的损失函数做出了调整提高了检测精度。最后通过实验对比表明基于YOLO模型设计的人脸口罩检测模型在检测速度和检测精度上比基于MTCNN模型设计的人脸口罩检测模型有较小的优势,但是前者的模型体积是后者的30倍,基于MTCNN模型设计的人脸口罩检测网络对于部署的硬件条件要求更低,相对来说更有利于生活环境的设备升级和应用。（3）以Jetson Nano为基础搭建实验平台,将以MTCNN为基础设计的人脸口罩检测算法部署到嵌入式移动端,对实现对现实生活的应用。