随着我国经济的高速全面发展,人民生活水平的日益提高,我国对于交通运输方面的需求越来越大。随着铁路运输生产力的高速发展,铁路行车的安全问题越来越受到重视,也对铁路行车的安全保障技术提出了更高的要求。为了满足机车安全运行的需求,实现对驾驶员行为进行实时提醒,减少现有监管系统的人力资源浪费,本文以铁路机车司机驾驶行为识别和分类为研究对象,采用深度卷积神经网络设计实现了一种可以随车部署的实时分析司机行为系统。本文主要内容和工作总结如下:首先,设计了一种同时进行人体姿态估计和目标检测的深度卷积神经网络。为了处理铁路司机行为分类中司机使用手机的问题,将人体关键点识别和目标检测通过目标框识别融合起来设计了一种新的神经网络模型。采集并标注制作了铁路司机行为识别的数据集,在其上进行了模型训练,设计了模型的评价指标,在测试集上测试了模型的识别效果。其次,搭建多尺度金字塔结构增强了模型对小物体的识别能力,实现了模型的精度调优。基于模型剪枝和半精度加速实现了模型体积和运行速度的调优。调优后,模型的精度有较大的提升,模型体积缩减为16.2MB,在嵌入式设备Jetson Nano中推理速度为63ms,满足实时运行的要求。最后,基于模型输出的人体关键点和手机目标框结果提出了司机行为分类的后处理方法。通过实验验证了司机行为分类方法的有效性。整合了前处理、神经网络模型和后处理方法,形成了一套司机行为识别系统。通过设计多进程流水线操作实现了系统的整体加速,系统在嵌入式设备Jetson Nano中的运行速度为14FPS,达到了实时运行的目的。