近年来,智能驾驶系统在预防交通事故的发生中得到越来越广泛的应用,但同时也存在一些问题与挑战,例如,当前的智能驾驶系统不仅在对外界目标信息的理解上与驾驶员存在解释性差异,而且也无法像真正的驾驶员一样通过对交通场景的分析做出正确的决策。因此本论文以智能驾驶系统中的视觉注意机制为背景,结合驾驶员真实的操纵行为以及深度学习技术,对驾驶员视域内的注意区域提取方法进行研究,旨在通过预测驾驶员的注意点,来提取影响驾驶员操作的关键信息。本文提出的方法可以为未来智能驾驶车辆的发展、交通事故原因追溯、辅助驾驶系统的发展奠定理论基础并提供相应的技术支持。本论文的主要内容如下:（1）基于深度网络特征可视化的驾驶员注意区域标识方法研究。首先构建驾驶行为信息网络,该网络模型可以通过当前的交通场景来预测方向盘转角和车速,以此来建立驾驶员视域信息与车辆操纵行为一一对应的关系。随后,本文提出驾驶员注意区域特征图加权提取方法,用以确定驱动驾驶员在当前交通场景下改变方向盘转角和车速的注意区域,并根据显示的注意区域制作本文所需要的驾驶员注意区域数据集。驾驶员注意区域数据集的建立为本文提出的基于车辆操纵行为的驾驶员视域注意区域提取方法的实现提供数据支持。（2）基于注意力模型的驾驶员注意点预测方法研究。根据人类的视觉注意力机制,结合深度学习的注意力模型技术,本文设计一种驾驶员视觉注意网络。该网络可以对输入的图像自动选择一个局部观测序列,并融合局部表观特征和上下文丰富的视觉信息,来对驾驶员注意点进行预测,从而可以对视觉目标进行高精度的定位与识别。驾驶员视觉注意网络相比于传统方法,拥有更高的目标搜索效率以及更准确的识别精度。驾驶员视觉注意网络的构建为本文提出的基于车辆操纵行为的驾驶员视域注意区域提取方法的实现提供算法支撑。（3）基于驾驶员注意区域数据集的实验验证。在实验验证部分使用基于注意力模型的驾驶员注意点预测方法对驾驶员注意区域数据集进行训练,训练完成后在测试集上进行验证,并从多个交通场景对实验结果进行分析,以此来证明本文提出的基于车辆操纵行为的驾驶员视域注意区域提取方法的有效性。