自新型冠状病毒（COVID-19）大规模流行以来,疫情对人们的健康和生命造成严重威胁。新型冠状病毒及其变异毒株具有很强的传染能力,人流量密集的公共场所容易造成疫情快速传播。为了防止疫情进一步蔓延,个人在公共场所正确使用口罩显得至关重要。目前针对密集人员流动场景下的检测模型性能仍有待提升,主要原因在于复杂情况下的人脸口罩佩戴检测样本中,通常存在多尺度、模糊、特征信息较差的目标。其次,若图像光线昏暗,现有模型将无法正常识别样本中的目标。原有检测算法在准确率以及检测效率等评价指标方面无法满足实际任务的需求。因此在公共场所应用一种高性能的佩戴口罩检测技术,用于对人员是否正确佩戴口罩的检查与提醒必不可少。基于上述情况,论文提出了一种基于改进Faster-RCNN的多尺度人脸口罩检测算法ME-Faster-RCNN（Multitask Enhanced Mask Image Detection Based on Faster-RCNN）,本文主要的工作内容如下:（1）首先,在正常光照开源数据集的基础上,对多种真实场景下的开源数据进行手工标注。其次,针对昏暗环境情况下的口罩检测,本文征集志愿者采集制作了一个红外人脸口罩检测数据集,最终共采集到1050张。并通过图像数据扩充方法,扩充样本集至2460张。（2）在分析了人脸口罩检测任务中的难点之后,根据本次任务中训练数据集的尺寸特性,对传统Faster-RCNN进行了相对应的改进。改进部分主要分为四个方面,分别是选用Res Net-50作为特征提取网络、提出了新型多任务增强RPN模型、改良SofterNMS算法以及选用CIo U损失函数。具体来说就是,综合考虑网络参数量大小与模型学习能力,本次任务模型的特征提取网络替换为具有残差结构的Res Net-50网络。将传统的单一RPN网络模型改进为使用多任务增强RPN模型以提高检测识别精度。使用不同尺寸的RPN网络拓扑结构识别各类大小的口罩目标,然后将其集成到网络中。考虑到现有尺寸的锚框不能够很好的适配本次数据集样本,本文重新设计了一种新型锚框。然后将经过RPN模型生成的冗余预测框,利用Softer-NMS算法进行抑制,使预测框的位置更接近真实框。文中还引入了CIo U损失函数,在口罩检测任务中,优化了预测框的定位损失函数和预测类别损失函数。（3）针对昏暗环境下样本光线不足导致无法正常检测的问题,提出了将红外技术和迁移学习相结合的方法。在分析了红外口罩图像特点的基础上,首先对红外口罩数据集进行数据扩充,达到增强数据多样性的目的。然后构建了迁移学习的Res Net-50网络,并利用训练完成的新模型识别待检测的昏暗环境的红外人脸口罩样本。（4）对两种环境下的实验模型分别进行评价。本文首先进行了改进算法与Faster-RCNN算法及其他算法的比较。接着,为了验证基于迁移学习的红外口罩佩戴图像检测方法的可行性,选取了昏暗环境原图、红外拍摄图以及迁移学习检测图三个场景下对实验结果进行分析比较。此外还完成了改进算法的消融实验测试。最后,利用Tensorflow开发工具,设计出人脸口罩检测实验平台交互界面,实现了对口罩图像目标检测的可视化操作。