多年来,交通安全问题一直受民众关注,而驾驶员分心驾驶是一种普遍存在的且极易造成交通事故的危险驾驶行为,严重影响交通安全水平的提升。本文以分心驾驶行为中的驾驶员操作分心和视觉分心为研究对象,构建驾驶员视觉分心和操作分心的识别模型,以期减少因分心驾驶造成的交通安全隐患。主要研究工作内容如下:首先,本文分析了驾驶员分心驾驶行为的研究现状,明确了主要研究内容和技术路线,提出了对驾驶员影响小且易于使其接受的一种分心驾驶识别方法。该方法采用将视频检测与车辆运行信息分析相结合的方式,提高了驾驶员视觉分心和操作分心的识别算法性能,避免了穿戴型检测设备对驾驶员造成的侵入性,为识别方法的实车应用奠定可行性基础。其次,本文根据研究方法设计了驾驶员视觉分心和操作分心实验方案,搭建了基于实车的分心驾驶数据采集环境,构建了一套基于Python语言和USB-CAN Tool软件的多传感器数据同步采集系统,采集了包含5种操作分心驾驶、4种视觉分心驾驶和正常驾驶对应的视频数据和车辆运行信息。再次,通过截取视频数据的帧图像并进行分心类别的标注,建立了操作分心数据集和视觉分心数据集,进而分别搭建了基于YOLO v5和BPNN（Back Propagation Neural Networks）的驾驶员操作分心组合识别模型和基于卷积神经网络的驾驶员视觉分心识别模型。其中基于YOLO v5和BPNN的驾驶员操作分心组合识别模型利用YOLO v5检测驾驶员左手、右手和面部的位置,将位置数据输入BPNN进行操作分心识别与分类。该组合模型对操作分心的识别Precision（精度）、Recall（召回率）和F1-score分别为0.926、0.930和0.928,模型整体Macro F1为0.938。基于卷积神经网络的驾驶员视觉分心识别模型利用经过剪裁后的视觉分心图像进行训练和预测,图像经过多层卷积与池化计算后输入全连接层进行分类,结果显示模型对视觉分心的识别Precision（精度）、Recall（召回率）和F1-score分别为0.928、0.973和0.948,模型整体Macro F1为0.954。最后,通过对车辆运行信息进行数据预处理,利用卷积神经网络的线性层提取视觉分心图像特征,将车辆运行信息分别与操作分心位置数据和视觉分心图像特征进行特征级信息融合,建立操作分心GRU（Gate Recurrent Unit）网络模型和视觉分心GRU网络模型,利用信息融合后的数据对模型进行训练和测试,并将结果分别与前文的对应的操作分心模型和视觉分心模型进行对比。结果显示,操作分心GRU网络模型对分心的识别Precision（精度）、Recall（召回率）和F1-score分别为0.948、0.956和0.952,模型整体Macro F1为0.958,性能优于BPNN操作分心识别模型。视觉分心GRU网络模型对分心的识别Precision（精度）、Recall（召回率）和F1-score分别为0.950、0.960和0.950,模型整体Macro F1为0.958,性能优于CNN视觉分心识别模型。本文对分心驾驶识别方法的研究为车辆主动安全预警和安全辅助驾驶系统的完善提供了一定的理论基础和方法,对提升道路安全水平具有重要意义。