危险驾驶行为是引发交通事故的一个重要原因。通过识别驾驶员的危险驾驶行为并预警,能够有效降低交通事故发生的风险,具有重要的社会意义和应用价值。近年来,随着深度学习技术在计算机视觉领域取得了突破性进展,深度学习与计算机视觉技术在危险驾驶行为识别的应用取得了很好的效果,成为国内外广大学者的研究热点。但在基于单目摄像头的低成本、计算能力有限的嵌入式设备上,如何实时、有效地识别驾驶员的危险驾驶行为,仍然需要深入探索。本文基于深度学习方法开展研究,首先提出基于卷积神经网络模型Mobile Net V3的人体姿态估计方法,用于获取驾驶员上肢骨架的关节点坐标。然后,研究基于骨架序列的循环神经网络的动作识别方法,构建了全局上下文注意力的时空简单循环单元(GCA-ST-SRU)模型来识别危险驾驶行为。最后,将所提出模型和方法在嵌入平台上编程实现,研制出嵌入式轻量级危险驾驶行为识别系统。本文的主要工作及研究成果如下:首先,针对现有的深层CNN模型由于层数深、参数多、计算量大而导致在嵌入式设备上执行姿态估计运行耗时长的问题,利于Mobile Net V3模型运行速度快的优势,提出了一种基于Mobile Net V3的姿态估计方法。在LSP数据集和上肢姿态数据集上进行测试,实验结果表明,与现有的深层CNN模型相比,所提方法在取得较高准确精度的同时,大大降低了参数数量,提高了算法的运行速度。其次,针对LSTM、ST-LSTM和GCA-LSTM等循环网络存在计算顺序依赖从而导致推理速度慢、计算效率低的问题,构建了新颖的GCA-ST-SRU模型。该方法继承了SRU训练和推理速度快的优势,能同时对关节点的时间依赖关系和空间依赖关系进行建模,并且引入了注意力机制以选择性地关注信息含量高的关节点。在公开的UT-Kinect动作数据集和SBU-Kinect交互数据集上进行评估,实验结果表明GCA-ST-SRU方法在准确性与实时性之间实现了很好的平衡。最后,针对Kinect深度相机价格昂贵,在实际应用中存在成本高、难以普及的问题,以及目前基于单目摄像头的危险驾驶行为识别研究主要集中于监控驾驶员的头部,忽略了驾驶员肢体的运动情况,本文研制了一种基于单目摄像头的嵌入式轻量级危险驾驶行为识别系统,实现了对8种行为的实时识别。实验结果验证了本文所提算法在实际应用中的有效性。