En el contexto de la larga coexistencia entre COVID-19 y la sociedad humana, la implementación del monitoreo de la salud del personal en los sitios de construcción se ha convertido en una de las necesidades urgentes de la gestión de la construcción actual. La instalación de sensores de temperatura infrarrojos en los cascos que deben usar el personal de construcción para rastrear y monitorear su temperatura corporal se ha convertido en un medio relativamente económico y confiable de prevención y control de epidemias, pero la precisión de la medición de la temperatura corporal siempre ha sido un problema. Este estudio desarrolló un casco inteligente equipado con un sensor de temperatura infrarrojo y llevó a cabo un experimento de construcción simulado para recopilar datos de temperatura y sus factores influyentes en los entornos de operación de construcción en interiores y exteriores. Luego, se estableció un modelo de compensación de error de temperatura de la Red Neuronal de Propagación Hacia Atrás de Mínimos Cuadrados Parciales (PLS-BPNN) para corregir los resultados de medición de temperatura del casco inteligente. También se compararon los efectos de compensación de temperatura de diferentes modelos, incluidos PLS-BPNN con Regresión de Mínimos Cuadrados (LSR), Regresión de Mínimos Cuadrados Parciales (PLSR) y modelos de Red Neuronal de Propagación Hacia Atrás (BPNN) simples. Los resultados mostraron que el modelo PLS-BPNN tenía una mayor precisión y confiabilidad, y el coeficiente de determinación del modelo fue de 0.99377. Después de usar el modelo PLS-BPNN para la compensación, el error promedio relativo de la temperatura corporal infrarroja se redujo en 2.745 grados Celsius y el RMSE se redujo en 0.9849. El rango de error relativo de la detección de la temperatura corporal infrarroja fue solo de 0.005 a 0.143 grados Celsius.