随着机动车辆在全世界的逐渐普及,人们在便利生活的同时也伴随着交通安全事故。根据世界卫生组织的统计结果表明,全球每年死于交通安全事故的人数超过一百万人,其中接近五分之一的事故是由驾驶员分心行为所引起。驾驶员安全行为检测是对驾驶员在驾驶机动车辆过程中出现的不安全类别行为进行检测预警,如使用手机、抽烟和喝水等不安全动作。在图像检测领域,传统机器学习对待检测图片进行人工特征提取和特征匹配,其次使用支持向量机进行分类检测。然而,随着驾驶过程中出现的背景、光照与识别对象的多样性和不确定性,传统的分类方法未能在不同场景下达到良好的识别准确率。随着深度学习方法在图像识别领域的逐渐流行,图片检测和分类问题相比较于传统方法有了较大提升。从初期的图像识别模型开始,利用卷积神经网络层的不断堆叠可以训练出高表征特性的深度学习模型。然而,深度学习模型层数的不断增加会伴随一系列问题,在计算资源层面,模型参数量的增大需要更大的存储资源,消耗更多的磁盘空间。模型的训练和检测阶段,都会消耗大量的计算资源。相同训练结果下,模型的参数量越大,泛化效果往往不如小参数量模型。本文设计的轻量级模型基于卷积神经网络结构,使用可分离卷积核和批处理标准化技术,使块结构具有更少的参数量,其次使用小卷积核实现降维,实现了端到端的检测。本文通过实验证明了连续三个块结构的模型具有最强的表征能力,在具有高检测准确率的同时,克服了目前模型检测速度慢的缺点。通过大量的实验对比,模型在公开数据集上取得了95.15%的测试准确率,与此同时模型大小仅有2.5M,检测速度更是达到了51帧/秒,该结果优于业内绝大部分模型。基于该结果本文设计了基于web端的驾驶员行为识别应用。该网站通过免费提供图像检测,旨在收集驾驶员相关图像,为后续的科研进展提供更多的数据支撑。该模型在实验室整理的卡车司机监控录像数据集上具有85.31%的检测准确率和51帧/秒的检测速度。本文基于该结果设计了驾驶员安全行为检测系统的算法模块,并辅助该系统进行落地使用。