汽车作为日常生活中重要的出行交通工具给人民生活带来了巨大便利,同时由于道路交通系统的复杂性与多变性,交通安全也成为人民瞩目的关键性问题。近年来,随着大数据及人工智能相关技术的飞速发展,汽车行业开始致力于研究高级驾驶辅助系统（Advanced Driving Assistance System）,其中主动安全技术成为了辅助驾驶系统中重要研究领域。基于机器视觉发展驾驶员行为状态检测系统能够直接、有效地减少交通事故率和提高汽车的安全性,是具有应用前景的方法。本文提出了一种基于机器视觉的异常驾驶行为检测方法,分别通过图像预处理、感兴趣区域定位、特征提取和模式识别四个阶段实现了对异常驾驶行为的检测和识别功能,并通过实验验证方法的有效性。主要研究内容如下:（1）设计驾驶行为数据采集实验,总结出日常驾驶过程中较常出现的两种正常驾驶行为和六种异常驾驶行为作为数据采集目标。邀请十位具有不同性别和外貌特征的实验员参与实验,提高数据集的普遍性和可说服性。另外,确定视觉传感器的安装方案,使得数据能完整地展现实验员整个驾驶过程。（2）采用图像均衡化、图像滤波等图像预处理操作,对实验采集的图像数据进行数据修正,减少因传感器误差和外部环境因素所造成的影响,为后续图像的特征提取及分析提供了保障。（3）选择YCr Cb颜色模型作为图像的表达方式,凸显肤色像素点在该模型下的聚类优势,并采用基于椭圆模型的肤色检测算法成功定位到驾驶员所在区域并将其分割出来达到感兴趣区域定位的目的。（4）提出迁移VGG线性支持高阶张量机算法,将视觉几何群19网络（Visual Geometry Group Network19,VGG19）的卷积网络层部分作为特征提取器,结合迁移学习的方法提高其对于驾驶行为数据集的特征提取能力。将所提取的图像特征以张量的形式输入到线性支持高阶张量机进行异常驾驶行为检测,实验结果表明了该方法的有效性。（5）改进用于姿态估计的Open Pose算法,增加VGG19网络结构,提出基于Open Pose的识别算法。结合Open Pose产生的关节点置信图和关节亲和场等姿态特征以及原始图像共同作为VGG19网络的输入,实现异常驾驶行为识别功能。实验证明该方法能够有效地进行异常驾驶行为识别。