随着整体生活质量的不断提高,人们对汽车的旺盛需求促使汽车保有量逐年增加,使得道路交通事故发生的频率不断提高。尤其是对于城市道路交通事故来说,这已经成为城市发展过程中急需解决的一个问题。驾驶员的不良驾驶行为是引发事故的主要原因。因此,对驾驶员的不良驾驶行为图像尤其是来自于车内的驾驶行为图像进行智能识别成为目前驾驶行为研究的一个主要方向,研究者们采取不同的研究方法进行了大量的研究,并取得了具有一定实用价值的成果。其中,重量级的卷积神经网络能够对驾驶行为图像很好地进行识别,但因其参数量大,不能直接部署在内存容量、计算资源都受到限制的移动端设备中。因此,本文围绕驾驶行为视频图像,从以下两个方面对轻量级卷积神经网络在驾驶行为图像上的识别开展研究:（1）基于卷积神经网络迁移学习的驾驶行为图像识别。对VGG16、Res Net50、Inception V3、Xception四种参数量大的卷积神经网络模型在AUC V2驾驶行为图像数据集上采用深度迁移学习的方法来进行微调,实验结果表明Xception模型表现最好,测试集上的总体识别准确率为93.24%;对主流的轻量级卷积神经网络模型在驾驶行为图像上也采用相同的方法来进行实验,实验结果为Efficient Net-B0模型表现最好,测试集上的总体识别准确率为91.21%。此外,通过基于混淆矩阵和利用Grad-CAM特征可视化方法分别对这两个模型进行对比分析可知,Xception模型在驾驶行为图像识别上要优于Efficient Net-B0模型。（2）基于图像数据增强的正则化方法和知识蒸馏来提升Efficient Net-B0模型对驾驶行为图像的识别能力。针对Efficient Net-B0模型在驾驶行为图像的识别能力方面不如Xception模型的问题,提出在Efficient Net-B0模型的训练过程中采用三种图像数据增强正则化方法以及知识蒸馏,实验结果表明mixup数据增强正则化方法和知识蒸馏都能有助于提升模型对驾驶行为图像的识别性能;提出将mixup数据增强正则化方法和知识蒸馏进行结合,共同应用在对Efficient Net-B0模型的训练过程中,实验结果表明当采用Normal KD知识蒸馏方法结合mixup数据增强正则化方法时能够有效提升Efficient Net-B0模型在驾驶行为图像上的性能,测试集上的总体识别准确率达到了95.94%。此外,通过基于混淆矩阵和利用Grad-CAM特征可视化方法分别对性能提升后的Efficient Net-B0模型和Xception模型进行对比分析可知,采用Normal KD知识蒸馏方法结合mixup数据增强正则化方法训练的Efficient Net-B0模型在驾驶行为图像识别上相对于Xception模型要好。本文还开发了基于安卓操作系统的app,实现了性能提升后的Efficient Net-B0模型进行移动端部署。