吸烟有害健康,在公共场所吸烟,不仅污染空气,还有着造成火灾等灾害的隐患。对于一些严禁吸烟的场所,如机场、加油站、化工仓库等,需要采取监督和检测手段监视吸烟行为。通过人工监管或者烟雾传感器等手段检测,不仅耗费人力物力,检测效果也不甚理想。为解决吸烟检测问题,本文设计了基于机器视觉的吸烟检测算法,通过摄像头捕捉视频帧,使用基于深度学习的目标检测算法检测吸烟行为。本文创新工作如下:首先,针对实时性检测问题,本文提出了一种针对吸烟检测模型的轻量化特征提取网络优化方法。该方法对负责提取图像特征的卷积神经网络骨干网络进行结构优化,实现了一个轻型却不失特征提取能力的网络。不仅减少了模型参数量与计算量、加快模型推演速度,进而提高检测速度,还能将该结构用于计算资源受限的场景中。通过实验,本文的特征提取骨干网络起到了一定的加速作用。模型在自制数据集对比YOLOv3使用的darknet-53特征提取结构具有更快的检测速度FPS（Frame Per Second）和更高的检测准度m AP（mean Average Precision）。其次,针对小目标难以检测问题,本文提出了基于单阶段算法的小目标吸烟检测模型。具体做法是在特征提取网络添加注意力机制,包括空间位置、特征通道等方面的注意力机制。通常浅层特征图能够保留更多的细节信息,据此本文利用多尺度融合,使用较小的感受野发现那些较为细微的物体,通过特征向量拼接的方式,将小物体的特征语义纳入到最终的分类和定位过程中,从而增强小目标物体检测效果。对于模型的损失函数,本文优化使用了DIo U（Distance Intersection over Union）边框回归损失函数,使用了Drop Block正则化方法缓解模型过拟合问题,模型的激活函数选择了Mish激活函数。通过实验,本文的模型对比YOLOv3等经典目标检测算法在本文自制数据集和TT100K交通标志数据集以及PASCAL VOC数据集上拥有更高的m AP与FPS。最后,本文针对嵌入式环境提出了一个吸烟检测方法。该方法通过对常规吸烟检测网络模型进行剪枝,实现了一个相应的更加轻型的检测模型。本文在局域网络中将其部署在NVIDIA Jetson TX2板卡上执行吸烟检测。在模型的训练阶段,优化了锚框的聚类算法,在模型的推演阶段提出非极大值抑制算法优化版本,使用其来选取最接近真值的预测框。通过实际场景的实验,该模型较之于Tiny YOLO算法具有更高的m AP与FPS。