机动车保有量的持续增长和道路交通行业的迅猛发展,频繁的交通事故随之而来。相关数据表明,约30%的交通事故与驾驶人注意力分散有直接关系。在上述交通事故中,由驾驶人主动参与驾驶次要任务导致的交通事故占比高达36.4%,分心驾驶对道路安全造成的影响不容忽视。分心驾驶状态下驾驶人的外在表现特征并不会像疲劳驾驶具有共性,例如打哈欠、眼皮开合度的发生变化。相反地,驾驶人注意力分散持续时间短、受驾驶环境影响大且外在表现特征具有多样性。因此,开展研究驾驶人注意力状态检测对于道路交通安全的发展具有重要意义。本文以分心驾驶为研究对象,通过驾驶模拟器展开驾驶人在高速公路场景下视觉分心和认知分心的外在表现共性特征与检测算法设计。论文主要完成了以下工作:（1）回顾了目前国内外关于分心驾驶检测的研究现状。详细介绍了分心驾驶的检测方法、评价指标和当前市场上已经存在的相关产品。基于目前的研究不足,针对特征指标之间系统性差、视觉参数研究不完善的现状提出了针对分心驾驶的特征提取方法和检测识别算法框架。（2）设计了分心驾驶的实验流程。在对人-车-路闭环系统进行分析后,提出了从车辆运行参数与驾驶人视觉信息两个维度来评价驾驶人注意力状态。在梳理了能够对分心驾驶产生影响的因素之后,对于实验对象、仪器设备参数、道路环境设计和实验流程展开了详细设计和介绍。基于QJ-4B1型驾驶模拟器和Smarteye眼动仪建立了数据采集系统。对于采集到的数据,通过Matlab＿2015a、Origin＿2017等数据处理软件和四分位数、Max-Min归一化等方法进行数据处理,为后续论文数据分析工作做好准备。（3）车辆运行参数分析。从车辆的纵向运动和横向运动两个维度展开,详细分析了分心驾驶对于平均速度、速度标准差、加速度标准差、方向盘转角和方向盘转角熵值的影响,基于方差分析法得到了对于驾驶人注意力状态具有显著影响的3类关键性参数速度标准差、方向盘转角和方向盘转角熵值,并最终作为判定驾驶人注意力状态的参数。（4）驾驶人视觉参数分析。首先介绍了驾驶人主要的眼动形式并选择了适用于本文的注视和扫视的区分标准。通过方差分析法从注视、扫视和眨眼三个方面得到了对于驾驶人眼动参数存在显著影响的4类参数,最终确定了注视区域熵率、水平视角标准差、垂直视角标准差和平均扫视速度作为判定驾驶人注意力状态的参数。（5）研究了驾驶人注意力状态检测算法。通过Pearson相关系数,完成了各参数之间的相关性检验。基于长短时记忆网络（Long Short Term Memory,LSTM）能够处理多变量的时序信息这一特点,构建了适用于本文的检测模型,并详细介绍了其中的关键性参数。接着提出了本文的驾驶人注意力状态检测算法,针对其中的决策序列结果设计了滑窗决策模块。为应对可能出现的两类错误,提出了判别验证模块。建立了混淆矩阵用于计算算法的准确率、精确率和F指数来评价模型性能。基于QJ-4B1型驾驶模拟器实验验证了算法的分类结果,并讨论了算法的影响因素。结果表明,视觉分心驾驶对于驾驶人的影响比认知分心更加显著。结合考虑算法的准确率和检测的快速性,时间窗长度为5s、时间窗重合度为75%时为最佳算法组合。此外,相同驾驶条件下,经验丰富的驾驶人在应对分心驾驶时,能够采取更多的补偿措施来保证安全驾驶。