司机的分心驾驶行为将会严重威胁道路交通安全,对驾驶员的驾驶行为进行实时识别与监测,提醒驾驶员安全驾驶,能够有效降低交通事故的发生概率。目前,司机驾驶行为的识别仍存在诸多问题有待解决,如:驾驶行为的识别精度、多种类驾驶行为的识别等。为了设计出准确而高效的驾驶行为识别模型,本文使用深度学习技术对驾驶行为识别进行了研究,将多种驾驶行为的图像数据输入驾驶行为识别模型,输出该图像所属的驾驶行为类别,如喝水、与乘客交谈、调节收音机等。本文的主要研究工作如下:1.分析了几种典型的卷积神经网络模型的结构,并使用它们对驾驶行为识别任务进行了实验,通过单个驾驶行为的识别准确率、总体识别准确率、识别速度等几个评价指标对它们的综合性能进行了评估。2.针对典型卷积神经网络模型单分类性能较差的不足,使用通道注意力机制对驾驶行为识别模型进行了改进。提出了三种改进方案并对它们进行了实验验证证明了对驾驶行为识别模型的改进工作的有效性。3.通道注意力机制对模型的改进效果有限,为了进一步增强模型性能,将坐标注意力机制引入到了驾驶行为识别模型中,通过实验证明了基于坐标注意力机制的改进方案的有效性。为了观察注意力机制对模型的改进效果,使用Grad-CAM技术对模型的关注点进行了可视化处理,进一步证明了模型改进的有效性。4.在保证足够识别准确率的情况下,为使模型具有更小的体积和更快的识别速度,使用深度可分离卷积技术对驾驶行为识别模型进行了轻量化,并增加了对比实验以验证轻量化的有效性。