随着汽车行业的发展,道路汽车数量逐年增长,道路交通事故已成为影响人民生活、社会安定的痛点。驾驶员行为是影响道路交通安全的重要因素。有效地识别驾驶员行为,并及时地进行警示,可以极大程度地避免交通事故的发生,从而保障驾驶员的安全。此外,在中低级别的自动驾驶车辆中,在自动驾驶系统失效时,驾驶员应当及时地控制车辆。实时地监控驾驶员行为,对于评估驾驶员接管能力,设计完备的自动驾驶决策算法大有裨益。因此,开展驾驶员行为识别算法研究具有十分重要的意义。针对自然驾驶场景下相机图像噪声大,数据类别样本不均衡,现有算法时空特征提取能力欠佳等问题,本文研究以人体骨架关键点为数据基础,利用深度学习方法充分融合时空特征,兼具准确性和实时性的驾驶员行为识别方法。本文主要研究内容如下:（1）针对现有开源数据集多为图片数据集,缺乏连续序列的上下文信息的问题,本文构建了驾驶员行为视频数据集。数据集由自然驾驶数据和模拟驾驶数据两部分构成。根据自然驾驶工况,设计模拟驾驶数据采集流程,在保证模拟数据可靠性的前提下,增加第二驾驶任务样本数量。利用AlphaPose姿态估计算法获得驾驶员骨架关键点信息,作为人体动作姿态表征,减少背景噪声干扰。通过迁移学习方法及时序指数平均滤波算法,提升AlphaPose算法回归精度,提高骨架关键点检测质量,为驾驶员行为分类算法提供数据基础。（2）研究基于长短时记忆神经网络（LSTM）的驾驶员行为识别算法。构建了结构简明的单层LSTM网络,并将各时刻驾驶员骨架关键点集作为网络输入,建立骨架关键点序列时序依赖关系。在驾驶员行为视频数据上对LSTM网络进行训练与测试,结果表明LSTM网络可以有效收敛,可基本解决驾驶员行为识别问题,但识别精度还需进一步提升。该网络将作为本文的基线模型,作为后续优化网络的对比基础。（3）提出基于时空图卷积循环神经网络的驾驶员行为识别算法。针对LSTM网络仅将骨架关键点集作为输入,缺乏关键点连接关系,难以充分表达人体姿态空间结构特征,设计时空图卷循环神经网络。根据人体结构设计驾驶员骨架图,构建五层图卷积网络,提取驾驶员行为空间结构特征。然后将各时刻空间结构特征输入至LSTM网络中提取骨架序列时间连续特征。此外,引入注意力机制,融合各时刻特征,以获得综合的驾驶员行为时空特征。针对驾驶员行为数据集样本不均衡问题,引入Focal Loss损失函数,自适应地平衡不同类别样本的损失值,优化网络训练过程。本文设计充分的剥离试验及交叉验证实验,结果表明,时空图卷积循环神经网络通过引入图卷积网络及注意力机制模块,相较基线模型具有较大提升。此外,与现有模型在同一数据集上的评估结果表明,时空图卷积循环网络具有更优的识别精度。实时应用实验中,时空图卷积循环神经网络也具有较好的计算实时性。