在智能交通系统中,驾驶员嗜睡会严重影响正常驾驶的状态,降低个人安全驾驶车辆的能力,增加可能导致伤亡的风险。一个实时嗜睡监控系统是降低驾驶风险的一种方法,但是如何实现一个快速检测并且精度保持在较高范围内的嗜睡模型是亟待解决的问题。此外,驾驶员注意力不集中是造成道路交通事故的主要原因,因此需要实现一个能够快速识别驾驶员分心的网络模型。最后,由于新冠肺炎的突然爆发,检测驾驶员是否佩戴口罩已经成为最重要的研究内容之一,按照规定佩戴口罩是维护交通安全的有效措施。本文针对使用人脸检测器检测眼部区域速度慢、模型较大等问题进行分析,对驾驶员的嗜睡状态进行检测;然后针对驾驶员分心网络识别精度低、计算量较大等问题,提出了新的改进网络并加以试验;最后为了降低新冠病毒传播几率,对驾驶员是否佩戴口罩进行检测。主要工作如下:1.针对人脸特征检测器对检测眼部区域速度慢、模型较大问题,提出一种新的眼部检测器模型（Eye Detector）,该模型通过提取视频中人脸的眼部区域来进行驾驶员嗜睡检测。在训练过程中,通过调整模型的超参数来确定最佳模型,最佳模型提高了眼部检测速度,使模型的大小和识别精度保持在最优的选择。2.针对使用Resnet50网络在识别驾驶员分心时准确率不高等问题,提出了改进的通道注意力,该改进方式兼有空间信息和通道信息,并提出了三种基于Resnet50网络的改进模型。第一种模型在Resnet50网络中加入改进的通道注意力,第二种模型在Resnet50网络中加入多尺寸卷积核和改进通道注意力,第三种模型在Resnet50中加入原始通道注意力和改进通道注意力,结果表明三种模型都提高了驾驶员分心行为的识别精度。3.针对提出的基于Resnet50的三种改进模型在识别驾驶员分心时网络参数较多而造成的计算量较大等问题,提出了两种基于VGG16网络的改进模型。两种模型分别使用通道注意力和空间注意力的串行、并行两种方式进行改进,并在两种模型中加入软阈值化来促进特征的表达,最后调整两种模型中网络的参数,使其达到了轻量化网络的标准。结果表明两种网络模型计算量较小,而且识别准确率保持在较高的范围内。4.针对新冠肺炎流行期间,驾驶员出行安全问题无法保障,提出了改进的Mobile Net V2网络（M-Mobile Net V2）,该网络其中将通道注意力的特征降维部分改为并行特征提取,并将空间注意力改为多尺寸的卷积提取特征,最后调整分类网络的结构防止过拟合。该模型在试验中提高了识别准确率,达到了约为99%的准确率。5.使用不同的数据集对上述四种算法进行了相关分析和试验,验证算法的有效性和可行性。