随着国民物质生活水平的提高,我国交通运输基础和公共服务设施的建立日益健全,国内汽车的保有量随之飞速地增长,这极大地增加了交通事故发生的概率。据统计,80%的交通事故主要是由于司机在驾驶过程中不专心导致的。为了确保驾驶员的安全驾驶行为,对行驶车辆实行安全智能监控是至关重要的。基于这样的背景,经过分析对比了国内外针对危险驾驶行为监测的现有方法,本文以卷积神经网络为基础,研究了基于驾驶员头部及手部区域的驾驶行为检测的方法。具体工作如下:（1）研究了基于CBAM的YOLOv3驾驶员行为检测方法:YOLOv3通过YOLO层融合Darknet53框架提取的特征图进行检测,YOLO层极大地影响检测结果。CBAM模块是一个简单高效的前向卷积神经网络注意力模块,可以提升关键区域的特征表达。因此,尝试在YOLO层中引入融合注意力模块CBAM,得到改进后的C-YOLOv3结构,使算法在检测过程中重点关注“正确驾驶、右手手持通话、左手手持通话、喝水、注意力不集中驾驶”5种常见驾驶行为目标的特征。（2）研究了基于特征融合的YOLOv3手持通话行为检测方法:进一步研究驾驶员的手持通话行为,针对手机目标检测尺寸较小、分辨率低、特征不明显的问题,提出一种改进的YOLOv3网络模型。本文通过K-Means++聚类重新对锚框进行计算,以得到合适尺度的锚框,达到加快算法收敛速度的效果;通过对原YOLO网络中的FPN结构进行改进,选择对特征融合后的特征图在相反方向下采样的方式,重新融合特征,实现提升检测精度的目的。（3）针对State Farm提供的驾驶员数据集不存在标注信息的问题,本文通过标注工具Label-Image对从该数据集上选择的图片进行了目标区域的人工标注,并将训练数据集中的目标区域按照适用于YOLO的格式标注,生成新的标注文件。本文在标注的数据集上进行了相应的实验,结果表明,本文研究的两种改进后的YOLOv3网络模型能更有效地提升检测的准确率。其中,基于CBAM的YOLOv3驾驶员行为检测方法降低了无关背景因素的干扰,使检测准确率有显著的提升。此外,基于特征融合的YOLOv3手持通话行为检测方法完成了对驾驶员手持通话的检测,在不影响检测速度的同时提高了检测的精度,证明了该方法的有效性。