随着各国机动车保有量迅速增长,人们在享受交通便利的同时也遭遇着交通事故的烦恼。事故的发生由多种因素造成,但驾驶员作为承载交通安全的主体,其行为是影响道路安全的主要因素,因此准确且迅速的识别驾驶员的行为是保证驾驶安全的前提。传统的驾驶员行为检测系统因为驾驶场景的多样性和不确定性,整体识别准确率不高。基于深度学习的智能辅助系统能拓展驾驶员对环境感知的能力,具有巨大社会效益和现实意义。目前针对驾驶员行为的研究大多侧重于利用驾驶员的图像和视频客观的对其行为进行识别,而驾驶员的主观心理行为对其感知驾驶环境起着非常重要的作用,但鲜有工作是从驾驶员的主观心理出发来判断其行为。眼动仪是研究人类视觉认知的主要工具,它可以记录驾驶员的眼动数据,通过分析注视点等信息可以了解驾驶员的注意机制和视觉认知模式,进而对其行为进行合理的预测和判断。鉴于此,本文主要对以下内容进行研究。针对现有行为识别方法主要通过捕获帧间运动信息融合空间信息实现动态场景下的行为识别,而驾驶行为大多持续时间短且变化剧烈,难以获得鲁棒的帧间信息的问题。提出了一种基于人类视觉皮层双通路的驾驶员眼动行为识别模型。本方法通过模拟人类视觉皮层双通路的视觉机制提高了驾驶员眼动行为的识别能力。此外加入了自适应最大池化降低输入分辨率以更好地获取时间信息。最后设计两通道的权重控制,融合时间与空间特征。实验结果验证了所提算法的有效性。针对现有视频注视点预测方法主要通过堆叠三维卷积块和长短期记忆网络来提升时空特征提取能力,但存在难以获得全局运动特征并遗忘远期信息的问题。提出了一种基于Transformer的驾驶员注视点预测模型。本算法首先利用光照修正模块,通过均衡帧间与帧内的亮度,减少了过曝和欠曝对预测结果的影响。然后将空间注意力扩展至时间维度得到了时-空间注意力机制,更好地提取视频序列的全局与局部特征。最后针对现有的注视点预测中评价准则只能评价多个注视点与真值图的相对距离与分布,而驾驶员眼动行为不存在多个注视区域的问题,基于此,我们重新设计了评价准测,即中心评价准则。通过新的评价准则,更能精确评价驾驶员单个眼动注视预测区域与真值区域间的距离关系。实验结果表明,该算法优于最新注视点预测算法,并有较好的视觉结果。现有的驾驶员眼动数据大多采集于汽车模拟机或者封闭路段,这些数据在一定程度上忽略了真实环境对驾驶员视觉注意力的影响。另外,针对目前没有驾驶员眼动数据相关分析软件的问题,本文构建了驾驶员眼动视频数据集并搭建了数据分析软件平台。本文构建的基于真实道路的驾驶员眼动行为视频数据库VIPDAR＿5包含来源于15名被试的5类驾驶行为眼动视频数据,共350段视频片段。同时考虑到数据多样性,在多种不同的场景、天气和时间进行眼动数据录制。进一步的,本文设计了一个基于Py Qt的驾驶员眼动数据分析软件平台。该平台可以实现驾驶员眼动数据的查询、标注和分析,提高了眼动数据的处理效率。