针对电动自行车头盔佩戴检测存在小目标漏检、准确率低的问题，提出一种基于YOLOv5s(You Only Look Once version 5 small)的改进电动车头盔检测算法。在主干网络中引入CBAM(Convolutional Block Attention Module)卷积注意力机制，以提升对聚集目标的关注，解决因遮挡导致的检测效果差的问题；将颈部网络中的FPN(Feature Pyramid Network)+PAN(Path Aggregation Network)结构改为结合了跨尺度特征融合方法思想的特征融合结构，增强模型不同方向上的多尺度融合能力，使目标多尺度特征有效融合，提升对小目标的识别能力；使用SIoU(Structured Intersection over Union)定位损失函数代替CIoU(Complete Intersection over Union)损失函数，以提高边框回归精度。实验结果表明，改进后的YOLOv5s模型准确率P和召回率R分别为94.7%和91.2%,平均精度值mAP为95.6%,相较于原始YOLOv5s模型分别提升6%、7%和6.5%。该方法使电动自行车头盔佩戴检测准确率得到了明显提升。