工人是否佩戴安全帽是工人在建筑施工场地穿戴规范中较为重要的一项。目前,对于安全帽的检测,主要集中在工人进出施工场地的时刻,不能保证工人正在施工时依然能正确佩戴安全帽;另一方面,对同一个目标重复识别的问题,会导致算法运行的时间复杂度提高、实时性降低、影响算法的准确度等问题。根据以上问题,本文设计并实现了一套基于视频的安全帽检测与跟踪系统。论文的主要研究内容有以下几个方面:（一）提出的系统主要分为目标检测模块和目标跟踪模块。因为两段式的先检测后跟踪的方式的实时性达不到在建筑施工场地场景下使用的需求,为了达到实时性的要求,将采用目标跟踪模块和目标检测模块分开独立运行的方式。（二）本文经过对现在主流的检测算法和跟踪算法进行选择和实验对比,最终确定YOLOV4算法和JDE算法符合建筑工地的应用场景。结合实际的应用场景自制数据集,并使用labellmg软件对获取的图像进行标注。（三）在保证实时性的前提下,先是对目标检测算法进行改进:（1）首先是对自制数据集进行预处理,然后使用K-means||算法替换K-means算法。（2）结合残差网络的思想,将YOLOV4算法的骨干网络中的浅层特征直接输入到SPP模块进行特征融合,同时对目标检测算法的骨干网络和颈部网络分别增加CBAM模块和RFB模块,增加算法的感受野和增加算法对于目标信息的关注。改进的A8-CBAMyolov4-RFB算法的m AP@0.5比YOLOV4算法的m AP@0.5算法提高了4.4%,新算法的推理速度为60FPS,比YOLOV4的推理速度降低5FPS。改进的目标检测的算法符合使用场景的要求。（四）然后是对目标跟踪算法进行改进:使用A8-CBAMyolov4-RFB骨干网络作为JDE算法的骨干网络,并且在JDE算法的预测层前面与金字塔结构的后面添加特征融合模块RFB,使得新算法RFB-JDE能够融合不同尺度的特征图,增加算法的感受野,提升对小目标的检测性能。改进的RFB-JDE算法的MOTA比JDE算法提高4%。新算法RFB-JDE的推理速度为20.8FPS,仅仅比JDE算法的推理速度降低3FPS,完全满足实时性的要求,减少了对同一目标重复识别的次数。最后,经过图片、视频对系统的测试后,本文提出的系统具有实时性,精准性,强鲁棒性等优点,符合实际生产需要,达到预期的要求,满足工地场景实际的监管需求。