随着经济的快速发展及低碳环保出行方式的普及,电动摩托车投入量逐年上升,但由此带来的安全隐患也随之上升。为了减少骑行人在意外事件中所受到的伤害,《道路交通安全法》规定驾驶电动摩托车时必须戴上安全帽,而对骑行人是否佩戴安全帽的检测,如果仅通过肉眼观测,会对警力资源造成巨大的浪费。采用人工智能算法对电动车驾驶员进行头盔识别,将大大降低成本,对提升交通秩序和推进智慧城市的发展有着重大作用。本文对目标检测算法进行了研究,提出基于改进YOLOv5的电动摩托车安全头盔佩戴检测的方法,主要研究内容如下:（1）构建用于检测电动摩托车安全头盔佩戴情况的数据集。目前没有适合本文研究的公开数据集,因此,通过从已有的视频中抽帧截图、实地拍摄、网络爬虫和选出VOC数据集上电动摩托车及头盔类别的图片等手段收集相关数据;经过严格筛选和清洗将无关的数据剔除,并按照COCO数据集格式使用make sense软件标记数据,标记类别分为两类:No Helmet和Helmet,并将标记好的数据集进一步采用Cut Mix数据增强的方式扩充,既增加数据集多样性,又使网络模型学习到更多目标特征。（2）针对现有算法在检测交通道路复杂、目标差异较小的情况时准确率较低的问题,提出了一种基于YOLOv5的改进算法。首先,使用K-Means++聚类算法确定更加适应目标大小的初始锚框,提升预测框的收敛速度;其次,在主干网络中融合坐标注意力机制（Coordinate Attention）增强对关键特征信息的提取,以提升模型的检测效果;最后,通过引入?-Io U损失函数,提高预测框的回归精度和收敛速度,为小数据集和噪声边界框提供更强的鲁棒性。（3）基于Python编程语言和Qt5框架设计并实现头盔检测系统,该系统采用了本文提出的改进YOLOv5算法,既能够对离线的图片和视频数据进行检测,也能够对摄像头实时捕捉的视频数据进行检测。本文基于改进的YOLOv5目标检测算法,在构建的数据集上进行实验研究,结果表明,改进的YOLOv5模型的m AP达到95.1%,比原YOLOv5的平均精度提升了7.7%,检测速度达到63帧每秒,符合在道路复杂环境下对电动摩托车驾驶人安全头盔佩戴实时检测的要求;搭建的系统可大量减少警力物力,具有极大的实际应用和推广价值。