随着汽车保有量和交通流量的快速增长,世界各国每年发生的道路交通事故总量居高不下。大量交通事故造成了成千上万的人员伤亡,给相关家庭带去了沉痛的打击,给社会造成了巨大的经济损失。诸多的交通事故中很大一部分是分心驾驶导致的。近年来基于卷积神经网络的分心驾驶行为识别研究取得了一定的进展,但现有算法模型权重文件大、计算时间长,识别准确率仍有待提升。对分心驾驶行为识别算法进行优化和轻量化很有必要。针对现有的分心驾驶行为识别数据集公开数量少、标记质量低等问题,本文自行采集数据构建了分心驾驶行为识别数据集。本文在采集数据时考虑性别和光照条件,采集在不同光线条件下男女比例为11:9的20位驾驶员分心驾驶数据。为保证标记的准确性,对标记进行了二次核对。在训练集和测试集划分方面,根据驾驶员而不是将所有数据打乱随机划分,避免随机划分可能导致模型训练过拟合问题。构建的数据集共包含十类动作28690张图像。针对分心驾驶动作差异较小,普通卷积神经网络对细微差异图像分类准确率不高的问题,基于感受野块RFB和细粒度分类方法分层双线性池化模型HBP提出了RFBHBP模型,将细粒度图像分类方法应用于分心驾驶行为识别。针对HBP模型特征提取骨干使用的卷积核感受野小的问题,将使用大离心率空洞卷积改进的感受野模块RFB应用到HBP模型特征提取骨干中。相比于HBP模型,改进的RFB-HBP模型的准确率提升了3.04%,达到了93.26%。Grad-CAM可视化热力图显示,RFB-HBP模型将注意力关注到了分心驾驶行为的关键区域。分心驾驶行为识别对实时性有严格的要求,针对目前分心驾驶行为识别算法的实时性差和模型过大的问题,本文提出了一种用于分心驾驶行为识别的轻量化方法。针对Mobile Net V3模型中1*1卷积计算量大和部分瓶颈结构没有残差连接的问题,使用ghost module替换1*1卷积、使用带有类残差分支的瓶颈结构替换没有残差分支的瓶颈结构,提出轻量化识别模型SMobile Net。应用知识蒸馏方法,RFB-HBP作为教师模型,SMobile Net作为学生模型,前者指导后者训练。实验结果表明,SMobile Net模型的两个版本均比对应的Mobile Net V3模型的准确率更高、模型计算量和权重文件更小,知识蒸馏提升了SMobile Net模型的推理性能。嵌入式验证应用运行效果表明,SMobile Net模型的两个版本均达到了实时检测的效果。