随着私家车的普及,交通事故数量与日俱增,其中大约有五分之一交通事故是由于驾驶员在驾驶过程中存在打电话、打字、吃东西、与人交流等分心驾驶行为引起的,在驾驶过程中,驾驶员的驾驶行为直接关系到全车人的生命安全,所以对驾驶员进行行为状态识别是非常有必要的。目前的驾驶行为识别方法识别状态少且分类识别准确率低,加之在公共安全研究中由于嵌入式设备内存小等原因,驾驶员检测仍然是一个棘手的问题。驾驶行为状态识别的任务可以看作是一个多类别的分类问题,考虑到计算机视觉在预测驾驶员行为方面的最新进展以及深度神经网络可以更快更高效率地提取数据特征的优势,本文试图研究最佳的深度学习网络体系结构,以通过计算机视觉准确地检测驾驶员状态,用以监督该类危险驾驶行为。在本文中,我们研究了使用深度学习方法在单个图像中自动识别驾驶状态(例如正常驾驶,打电话,发短信,喝水和与乘客交谈),为此我们提出了一种快速下采样网络(MF-Net),它是一种高效且准确的网络,由深度可分离卷积网络改进而成,其关键思想是将快速下采样策略应用于深度可分离卷积网络,在12层内执行32倍下采样,此设计具有显著降低计算成本、增加信息容量并实现性能改进、所需存储容量小有利于今后嵌入式系统移植等优点,这为驾驶状态识别的实用化提供了一定的理论基础和技术指导路线。论文主要做了以下几个方面的工作:(1)介绍了驾驶员行为状态识别的目的和意义,国内外的发展现状以及状态识别系统的未来应用前景。(2)阐述了驾驶员状态识别系统的整体架构以及架构所需要的算法和技术(3)进行数据处理和特征可视化。(4)研究了几种常见的卷积神经网络,构造并设计了基于深度可分离卷积的驾驶员行为分类算法,对驾驶员打电话、打字等行为进行有效检测,并将几种算法进行对比。实验结果表明,与VGG和ResNet50等其他CNN模型相比,我们提出的MF-Net不仅模型较小便于以后嵌入式系统的移植而且在驾驶员状态分类方面能够表现出更好的性能。