在公共场所戴口罩已成为一项重要的防疫措施。现有的口罩检测方法通常只检测是否佩戴口罩，忽略了交叉感染的现场，容易出现佩戴口罩不规范的情况。目前的口罩数据集缺乏非标准佩戴口罩数据。针对以上问题，在现有口罩数据集的基础上，通过离线采集和互联网采集更多非标准佩戴口罩的图像，并根据佩戴口罩的人脸图像的特点，改进Mosaic数据增强算法，扩展数据，改进的Mosaic数据增强算法可以将基准网络yolov4的平均精度（mAP）提高2.08%。针对扩展数据集的类不平衡性，提出了一种动态加权平衡损失函数。在加权二元交叉熵损失的基础上，利用有效样本数的倒数作为辅助类别权重，并在每批训练中动态调整，以解决直接使用加权方法稳定性差、检测精度波动和效果不理想的问题。实验结果表明，改进后的模型在mAP达到91.25%，在非标准佩戴口罩（Average　PrecisionAP）的平均准确率达到91.69%。与Centernetretinanet、Efficient det和v3－MobileNetV2、YOLO和v4－MobileNetV2的两阶段方法相比，改进算法具有更高的检测精度和速度。