随着生活水平的提升和汽车行业的飞速发展,如何有效减少交通事故成为社会关注的热点之一,而驾驶员分心是诱发交通事故的主要原因。根据美国道路国家高速公路安全管理局（National Highway Traffic Safety Administration,NHTSA）公布的数据,交通事故死亡人数中,16%为驾驶员分心导致,因此驾驶分心检测技术对保障道路交通安全有着至关重要的作用。基于机器视觉的分心检测具有非侵入、非接触、低成本等优点,但目前仍存在驾驶分心难检测、准确率低且易受环境影响等问题。本文针对认知分心、视觉分心和危险驾驶行为这三种分心状态,提出了相应的检测算法和网络模型。一方面,基于驾驶员眼动行为提出一种注视区域识别方法,并在此基础上通过量化驾驶员注视区域的变化频率,结合阈值规则达到了识别驾驶员认知分心的目的。另一方面,基于手部行为特征提出一种危险驾驶行为识别模型,通过融合两种网络模型,达到危险驾驶行为识别准确率和速度的双重提升。主要工作内容如下:（1）提出了一种多通道卷积神经网络,用于识别驾驶员注视区域。首先,根据驾驶员的视野范围将车内环境分为7个注视区域并作为标签,采集驾驶员的图像作为数据集;然后,利用Dlib库将输入图像切割出左眼、右眼、面部和头部区域图像,并分别在各自的通道进行训练;最后,将四个通道分段融合,先将左眼和右眼特征融合,再与面部和头部特征融合。经过实验对比分析,该方法的识别精度为96.07%。（2）针对驾驶员分心检测,提出了基于视线活跃度的认知分心检测算法和基于时域分析的视觉分心检测算法。首先,在工作内容（1）的基础上统计一段时间内驾驶员注视区域的变化,若视线在车内区域停留时间超过2秒则判定为视觉分心;然后,利用K-means聚类计算出视线集中区域,不同的视线集中区域使用相应的量化公式计算视线活跃度;最后,通过实验分析得出认知分心的阈值范围。实验结果表明,所提算法分心检测准确率达到95%。（3）针对危险驾驶行为识别,提出了一种HAR-Net网络模型。首先,采集五种危险驾驶行为数据集:吃东西、喝水、打电话、看手机和吸烟;然后,以Center Net网络为基础,选择hourglass网络和Res Net-50网络作为骨干网络,并改进其网络结构。其中,hourglass网络采用扩展卷积来构建基本模块,Res Net-50网络修改了下采样卷积模块,并均在残差模块中加入注意力机制;最后,将改进后的两个网络双线性融合作为骨干网络进行训练。通过消融实验和对比实验,该模型在自主采集数据集和CVPR-Hands 3D数据集上m AP分别达到98.8%和88.3%且满足实时性要求。