城市交通的快速发展为人类出行带来了极大便利,但随之而来的交通事故却给人类带来无尽的困扰与灾难,严重破坏了社会的稳定繁荣。据统计,因非正常驾驶机动车导致的交通事故约占全部交通事故的百分之九十以上。驾驶员在行车时处于打电话、喝水、吸烟等异常驾驶姿态会严重影响驾驶员对车辆的有效控制,导致交通事故的发生。因此,对驾驶员的异常驾驶姿态进行监测并进行干预以降低交通事故发生率是极为必要的。目前的驾驶员监测系统解决方案均为基于浅层机器学习算法和基于深度学习算法的单一分类器解决方案,然而这种方案无法有效解决实时性和精确度之间的矛盾。本文以此为背景,研究了基于人体姿态估计和卷积神经网络的驾驶员异常驾驶姿态识别方法。首先,本文基于Openpose姿态估计算法建立了驾驶员姿态检测模型并使用该模型检测驾驶员上半身关节点,在自制驾驶员姿态测试集中平均检测精度达到94.76%。为了提高姿态分类器的检测效率,提高系统实时性,本文基于Lightweight-Openpose姿态估计算法部分思想改进了原始Openpose的网络结构,建立了新的Openpose-2姿态检测模型,该模型在自制驾驶员姿态测试集中检测精度达到91.44%,可以在纯CPU下运行,FPS平均可达到28。其次,基于驾驶员姿态检测模型提出了一种驾驶员异常姿态判别准则。借由人体关节点检测模型提取驾驶员在正常驾驶姿态与异常驾驶姿态下的各关节点坐标信息,使用高斯混合模型EM算法对坐标数据进行聚类分析,研究正常与异常姿态下驾驶员肢体位置规律以判别驾驶员是否处于异常姿态。实验结果显示,提出的异常驾驶姿态判别准则简单高效,在测试集上的平均识别精度可达97.46%。再次,为了提高驾驶员监测系统的实用性,在判定驾驶员是否处于异常驾驶姿态后,需进一步识别具体的驾驶员异常姿态种类。本文基于VGG-19、Inception-V3、Resnet-50、Densenet-121四种网络架构建立驾驶行为分类模型,对比分析了它们在驾驶员驾驶姿态识别任务中的综合性能表现。结果显示,基于Inception-V3网络架构训练的行为分类器综合性能表现最优,在测试集上的识别精度可达到93.32%,在CPU下检测视频时FPS可达到12。最后,针对目前单一分类模型检测效率不高,计算资源占用严重的问题,提出了一种新的驾驶员异常姿态检测系统解决方案并予以实现。该系统结合驾驶员实际行车情况和系统性能要求,融合了姿态检测器和行为分类器两种模型,能够依据异常驾驶姿态判别准则判别驾驶员是否处于正常或异常驾驶姿态,若出现异常驾驶姿态再基于行为分类器进行二次细分。结果显示,该系统在进行驾驶员姿态识别任务时,平均识别精度可达90%以上,相比于单一分类模型方案检测效率最高可提升2.33倍。