随着城镇化与公共基础设施建设的不断推进,施工项目的数量与日俱增,而由于建筑工人安全意识不强,在施工现场每年都会发生大量因安全违规导致的安全事故。定期开展安全培训与安排安全巡视员进行现场巡视等手段对于降低工地安全事故率只能起一时之效,无法时刻对施工现场的安全违规进行监督。近年来,以工地上广泛安装的监控摄像头作为视觉终端,利用计算机视觉技术对施工现场的工人违规行为进行安全预警是一个新的研究热点,并且对于保障工人的生命安全与工地的生产安全有着重大意义。针对施工现场安全预警,本课题主要完成了两个子任务:一是检测施工现场的工人是否佩戴有安全帽,二是检测施工现场的工人是否处于重型设备的危险工作区域。对于安全帽佩戴检测任务,现有的基于行人检测的方法由于遮挡问题,检测精度不高,基于人脸检测的方法又存在场景限制问题,模型的泛化能力不强。因此,本文提出了一种直接检测人头是否佩戴安全帽的检测方法。论文的主要工作包含以下几点:1.将佩戴安全帽的人头与未佩戴安全帽的人头分别看作不同的整体进行分类标注,构建了一个规模更大、多样性更高的安全帽佩戴检测数据集;2.对Cascade R-CNN目标检测算法通过骨干网络替换、增加可变形卷积DCN（Deformable Convolutional Networks）或可切换空洞卷积SAC（Switchable Atrous Convolution）进行网络改进得到了一个可以自适应目标尺度变换的多尺度安全帽佩戴检测网络结构,并在构建的安全帽数据集上进行训练与测试,性能指标计算结果表明训练得到的安全帽佩戴检测模型在佩戴安全帽的人头检测上最高取得了92%的AP（Average Precision）值,在未佩戴安全帽的人头检测上最高取得了94%的AP值,模型的m AP（mean Average Precision）值比当前最好的检测模型提升了7.01%,达到了92.9%;3.根据目标尺寸、拥挤遮挡程度以及光照等因素分为7个场景进行可视化对比测试,测试结果表明本文的安全帽佩戴检测模型与当前最好的模型相比在各种场景下都取得了很好的结果,证明了模型受拥挤遮挡、光照、尺度变换等因素的影响较小,验证了本文提出的多尺度安全帽佩戴检测网络结构的可靠性。对于检测施工现场的工人是否处于重型设备的危险工作区域任务,论文的主要工作包含以下几点:1.构建了一个由行人与重型设备两类目标组成且标注有Mask信息的数据集,并在Cascade Mask R-CNN目标检测算法上进行训练,训练后的模型用于提取工人与重型设备的Mask轮廓;2.提出了一种新的基于行人检测技术的像素焦距自标定算法,并在KITTI数据集上验证算法的有效性;3.提出了一种针对行人的深度重构算法和针对重型设备的滤波去噪算法;4.根据转换原理将RGB图像上的2D目标转换成点云空间中的3D目标进行处理,提出了一种点云空间安全预警算法。通过在构建标注的视频数据集上进行测试,算法的预警精度达到了95.99%,此外,点云空间可视化测试结果表明,算法在两个视频数据集上的预警效果都很好,验证了本文提出的点云空间安全预警算法的可靠性。