高速铁路是国家关键基础设施和重大民生工程,确保运行安全、实现事故预警是构建国家智能轨道交通体系的核心任务。为了保障列车运行安全,司机驾驶行为应该符合标准化作业规程要求。若主、副司机在值乘当中出现离岗、使用手机、未做或错做命令号等违章行为,可能导致重大行车安全事故。人工智能作为新一轮科技革命的关键引领,正在快速推进铁路行业发展。开展司机驾驶行为规范性智能识别与实时预警研究,是我国轨道交通行业实现智能化、专业化、信息化、标准化跨越式发展的关键命题,也是消除列车运营安全隐患的当务之急。本文基于目标检测、人体姿态识别、图卷积神经网络等先进的人工智能深度学习算法,结合嵌入式硬件设备,研制了铁路列车司机驾驶行为规范性智能识别系统,对于保障列车安全运行、节约人力物力、促进铁路行业智能管控技术发展具有参考意义。本文首先提出了改进的YOLOv4算法,搭建人工智能模型实现了对司机离岗、立岗、使用手机等行为状态的有效识别。就数据预处理而言,对实验采集的铁路司机驾驶行为视频数据集采用去重处理和去曝光处理以提升模型训练效果。就YOLOv4算法改进而言,本文基于K-means聚类原理提出了改进的先验框生成方法,在交叉熵函数中增设了广义调制系数,并针对数据增强等提出多项改进措施。实验表明,本文提出的改进模型的平均检测时间为29ms,平均精度均值提高了约3%,改进的模型在精度和速度上具有更优性能。针对司机手势动作目标识别难点,本文基于图卷积神经网络原理提出了改进的人工智能深度学习行为识别方法,通过不同网络模型的对比分析证明了时空图卷积网络模型的优越性。本文开展了大量的模型调优实验研究,当设置初始学习率为0.01时,网络模型的top-1和top-5指标具有更高的准确率。本文改进方法不仅实现了端到端的训练,与现有方法相比还取得了更好的鲁棒性及更强的泛化能力,进一步提升了本文模型的行为识别性能。最后将识别模型部署到嵌入式硬件设备Jetson TX2中开展软硬件联调,研制了铁路司机驾驶行为规范性实时识别系统。为了评估系统整体性能,开展了测试实验与评价指标计算。实验分析表明,在16位浮点数的加速计算下,系统推理速度为13.20ms,达到实时运行目的,精准率P、召回率R和F1值指标满足主、副司机行为识别应用要求,证明了本文研究的司机行为识别系统的有效性。