驾驶员的驾驶行为与人身安全直接相关，任何的不良驾驶习惯都有可能导致事故的发生。通过在驾驶室安装摄像头，利用计算机视觉技术分析司机驾驶状态，识别出其中的异常情况，可以实现对司机的实时监控，从而规范驾驶习惯，进一步降低危险的发生。但是在真实场景中识别驾驶行为还存在很多困难，驾驶室的情况比较复杂，摄像头安放的位置对识别结果影响很大，不同的驾驶行为间差异较小，这些都增大了识别难度。　　近年来，深度学习技术在计算机视觉领域广泛应用并取得了巨大的成功。通过建立基于深度学习的驾驶员动作分割模型，可以在复杂的驾驶室图像中准确找出驾驶员位置，并将其与周围环境相分离，为驾驶行为识别做好准备。本文通过对现有图像分割算法优缺点分析，并结合自身数据特点，提出了一种快速的驾驶员动作分割模型，通过引入了空洞卷积结构以及更简单的特征融合的方法来减少网络层数，减少计算复杂度，在保证分割精度的同时缩短分割所用时间。　　利用弱监督定位模型分析驾驶员图像中的活跃区域，本文提出了基于关键子区域特征的驾驶员行为识别模型。只借助分类的标签训练卷积神经网络模型，提取出模型的输出特征图，并利用全连接层数据作为各个特征图的权重进行特征图组合，得到了驾驶员动作的激活图，由此寻找到了两个影响最终驾驶行为判别的关键子区域。将两个子区域特征作为分割后驾驶员图像特征的增强，联合训练行为识别模型，最终行为识别的正确率达到了94.1%。　　通过对驾驶员行为识别中整个流程算法的对比与总结，搭建了完整的驾驶员行为识别框架，建立了一个驾驶员行为识别与分析系统。整个算法流程主要包括驾驶员动作分割，关键子区域自动定位，最终将分割结果与两个关键子区域联合训练驾驶员行为识别模型，完成驾驶行为识别任务。实验验证驾驶员动作分割以及关键子区域特征增强算法均对行为识别的准确率有提升。