近年来,交通安全事故的频发对我国国民生命和财产造成了巨大的损失,然而大部分交通事故的发生都与驾驶员相关。驾驶员在驾车行驶期间主要会出现两种险态驾驶行为:分心驾驶与疲劳驾驶。为有效降低交通事故的发生以及营造安全有序的道路交通秩序,就需要驾驶员保持注意力集中与精力充沛的驾驶状态,因此,采用准确可行的检测方法来实现对驾驶员当前驾驶行为的实时检测,并及时给予提醒,特别是对“两客一危”车辆驾驶员的实时检测与预警,对维持道路交通安全具有重要意义。目前,对驾驶员险态驾驶行为检测的方法多种多样,主要分为基于生理参数的检测方法、基于车辆行驶状态的检测方法和基于计算机视觉的检测方法。其中,基于计算机视觉的检测方法直观可靠,得到了广泛应用。但由于驾驶员险态驾驶行为复杂多样,在检测过程中仍存在分心驾驶行为检测受限于有限的类别数、检测模型庞大且效率较低等问题。基于此,本文开展了基于计算机视觉的驾驶员险态驾驶行为检测与预警方法研究,主要内容如下:（1）针对采用分类方法进行分心驾驶检测存在只能识别有限分心驾驶行为类别以及忽视时间信息的问题,提出基于改进YOLOv5的驾驶员分心驾驶检测方法。首先,在YOLOv5的基础上引入Ghost模块,采用线性变换代替部分常规卷积进行特征提取以轻量化网络模型,实现快速又准确地检测图像中手机、水瓶、驾驶员双眼和头部区域;其次,在获取目标检测结果的基础上,结合头部姿态估计设计逻辑算法并融入YOLOv5中,从认知分心和视觉分心两个角度检测每帧图像中驾驶员是否存在分心驾驶,避免了分类方法受限分心驾驶类别数的问题;最后,再设置适当的时间阈值,从而实现端到端实时的分心驾驶检测。（2）通过准确且高效地提高疲劳驾驶行为检测中的驾驶员眼睛状态识别,进而提出基于改进卷积神经网络的驾驶员疲劳驾驶检测方法。首先,在Le Net-5网络的基础上采用多个小卷积层堆叠替换一个大卷积层的策略,减少参数量和浮点运算数的同时增强网络对眼睛图像的特征提取能力;其次,在卷积层和池化层之间嵌入高效通道注意力模块,使网络突出眼睛图像中重要通道特征并弱化非重要通道特征,从而准确、高效地自学习图像中有效眼睛状态特征信息;最后,根据驾驶员眼睛状态识别结果计算得到眼睛特征,并结合嘴巴特征,综合检测驾驶员疲劳驾驶行为。（3）根据驾驶员险态驾驶行为检测的特点与需求,设计并开发了集数据采集、样本构建、模型训练、检测预警等功能于一体的驾驶员险态驾驶行为检测与预警系统。将对驾驶员疲劳驾驶行为和分心驾驶行为的检测方法集成,实现在线或离线的驾驶员险态驾驶行为检测与预警。论文最后对所做的驾驶员险态驾驶行为检测与预警方法研究和系统开发进行总结,并针对本文存在的不足之处提出对未来研究的展望。