驾驶员分心行为检测属于智能交通领域的关键技术,其对提高道路交通安全发挥着重要的作用。而随着现代交通技术的快速发展,驾驶舱环境愈加复杂以及驾驶员分心行为的干扰,给驾驶员分心行为检测带来了巨大的挑战。如何进行实时准确的分心行为检测,是当今智能交通领域的重要研究内容。作为深度学习的重要研究分支,卷积神经网络在各领域不断深入发展,其强大的特征提取能力和学习能力逐渐引起了国内外广大学者们的兴趣。采用卷积神经网络技术进行驾驶员分心行为检测也逐渐成为该领域的主流研究方向。本文主要利用卷积神经网络研究驾驶员分心行为,首先采用语义分割网络将驾驶员从复杂的驾驶舱背景环境中分割出来,然后使用EfficientNet-B2网络进行驾驶员分心行为检测,主要研究工作如下:（1）本文提出了一种以TransUNet为骨干网络,并结合Res2Net和Coordinate Attention的语义分割网络,以在复杂的驾驶舱背景环境中分割出驾驶员轮廓,旨在提高语义分割网络的准确性。该网络编码器中的Res2Net50和Transformer对输入图像进行编码以获得更好的特征图,解码器中的Coordinate Attention对编码后的特征图进行聚合,并与高分辨率的特征图相连接,再进行上采样,以获得对驾驶员高精度的分割。实验结果表明,在测试集上的平均精准度达到25.54%,平均交并比达到24.25%,召回率达到97.06%,这些性能指标均优于原始U-Net、DeepLabv3+和TransUNet语义分割模型。（2）本文提出了一种以短期密集连接网络为骨干网络,并结合注意力细化模块和聚合层的语义分割网络,以在复杂的驾驶舱背景环境中实时的分割出驾驶员轮廓,旨在平衡语义分割网络的实时性和准确性的关系。该分割网络的编码器采用轻量化的短期密集连接网络,以提取输入图像的空间信息;解码器使用聚合层对注意力细化模块的文本信息和空间信息进行聚合并上采样,最终获得对驾驶员轮廓的实时分割。实验结果表明,在测试集上每秒传输帧数达到86,平均交并比达到24.11%,平均准确度达到25.48%,与其它同类模型相比,在准确性和实时性方面,达到了很好的平衡。（3）本文在第3章和第4章构造的语义分割模型基础上,对驾驶员分心数据集进行处理,然后使用EfficientNet-B2分类网络进行驾驶员分心行为检测,旨在保证实时性的基础上提高分心行为检测精度。在网络的训练过程中,结合相互通道损失模块,发现图像中每个类别的不同判别区域,并从中捕获驾驶员动作细节,指导网络模型聚焦于不同的区分区域,从而提高该网络模型的检测精度。实验结果表明,在第4章分割网络的基础上实现的分心行为检测方法在测试集上的平均准确度达到99.41%,精确度达到99.41%,每秒传输帧数达到44,与其它同类模型相比,在驾驶员分心行为检测准确精度和实时性方面,达到了很好的平衡。