随着现今经济水平的提高,汽车行业发展也异常迅猛,但同时也伴随着交通事故的频发,严重威胁人们的财产以及生命安全。现有车内驾驶员突发疾病及司乘人员发生暴力冲突交互的异常行为识别检测应用很少,并且车内空间受限、遮挡和光照等会导致有效性差等难题,以至于对异常行为不能准确进行检测,进而阻止事故的发生。针对这三种最容易发生在车里的异常行为:驾驶员趴在方向盘上、晕倒斜躺以及驾驶员与乘客的暴力冲突,本文提出基于人体姿态估计的司乘人员异常行为检测方法,采用Alpha Pose模型对车内人员重构行为姿态,将关键点聚集在人员的姿态上,滤除背景等其他因素的干扰,并分别针对驾驶员和司乘人员采用不同的识别检测算法,对异常行为进行有效准确检测并进行预警提醒。本文的主要工作内容如下:（1）在目标提取和姿态估计阶段,通过采用YOLOv3算法对图像中的目标人物进行检测提取,并将人物目标区域经过Alpha Pose模型进行姿态估计,以此完成异常行为分析检测的基础工作。（2）针对驾驶员的异常行为,提出一种基于DBDC（驾驶员行为检测分类）模型的检测算法。通过在人体姿态估计得到关键点坐标的基础上,计算行为姿态的角度、相对位置等特征信息数据,引入Mobile Net V2的思想,构建DBDC姿态分类模型,完成对司机正常驾驶、趴在方向盘上和晕倒斜躺3类行为姿态的分类,以此判断车内司机的行为是否异常。通过在本文自建的数据集上,其算法的准确识别率达到97.59%。（3）针对车内司乘人员的异常行为,在人体姿态的基础上引入时空特征进行检测。通过Alpha Pose姿态估计的结果构建人体坐姿姿态图,分别使用SIFT算法和金字塔L-K光流算法对姿态图中空间特征点和时间上的光流变化进行追踪,并计算特征点位移和动能的变化情况,分析结果以确定车辆内人员行为是否异常。在本文自行构建的数据集上,其算法的异常行为识别准确率达为95.03%。本文的异常行为检测算法在对车内人员行为进行检测时,能够满足有效准确的需求并发出预警,具有一定的实际应用价值。