自动驾驶是智能交通的发展趋势之一,自动驾驶技术中信息传输、存储和计算依赖于智能车联网。在实现完全自动驾驶(即level-4)之前,辅助驾驶系统依然存在。辅助驾驶系统实时监控并识别驾驶员驾驶行为,当出现不安全驾驶行为时,实时提醒驾驶员,或自动驾驶接管手动驾驶,能有效避免交通事故发生。驾驶行为识别仍有诸多问题未能够有效解决,如:高识别精度、高实时性、基于车联网边缘计算和实现等。本论文研究基于智能车联网的驾驶行为识别问题,采用深度卷积神经网络(CNN),将驾驶行为的视觉数据输入到CNN网络中,输出驾驶行为类别,如:安全驾驶、喝水、打手机等分心驾驶行为类别。本论文研究工作如下:1.驾驶行为数据的采集和处理。由于当前驾驶行为公开数据集较少,且没有考虑到光线这一环境因素,我们建立了自己的数据集。我们在数据集制作过程中尽可能考虑到光线、驾驶员、车辆运行情况和道具(如手机、水杯等)等因素的影响,并对数据集进行了数据扩展。实现了一种图像亮度检测算法,验证了去运动模糊和直方图均衡化预处理对数据质量的提升效果。2.提出了一种适用于车内图像数据的基于双路注意力的驾驶行为识别方法。该方法模拟人类视觉系统,着重关注与驾驶行为识别强相关的图像区域,尽可能忽略与驾驶行为识别无关的图像区域。借助这种端到端的可训练的双路注意力模块,提高模型对分心驾驶行为的识别能力。3.针对无注意力机制模型、一路注意力机制和双路注意力机制三种情形进行对比实验,并通过与其他驾驶行为识别算法进行对比进一步验证了模型的有效性。通过驾驶环境中光线变化影响实验,验证了模型对于光线变化的适应性和本文采用的预处理算法的有效性。实验结果表明,采用双路注意力机制比无注意力机制模型和一路注意力机制在识别效果上都有一定提升。直方图均衡化和盲去运动模糊预处理算法对于提升模型识别效果均有作用。实验证明了我们采用的结合图像预处理算法的双路注意力机制模型的有效性。4.基于智能车联网的驾驶行为识别的实现。初步探讨了基于智能车联网的驾驶行为识别的两种实现方式:基于服务器端方式、基于离线移动终端方式。采用Flask框架和PyTorch Mobile框架,完成了两种方式的实现与测试。