近年来，随着社会经济水平的发展和车辆保有量的逐年增加，道路交通事故频发，尤其营运车辆一旦发生事故就会导致严重损失。交通事故的发生与驾驶员的不良状态行为息息相关。现有的联网监控系统已不能满足智能、实时识别驾驶员危险姿态的需求。当前，计算机技术发展为动态识别驾驶员姿态提供可能。但是，在理论研究和市场产品两个层面都出现了研究对象和场景过于局限，识别姿态的种类有限，且无法有效识别叠加性姿态，对驾驶员姿态特征研究不足，对驾驶员姿态行为量化评价和警示方法研究缺乏的共性问题。
　　论文从连续性、多样性、叠加性、相似性、过渡性、相互影响性6个方面分析了驾驶员姿态特征，并根据驾驶员姿态特征设计了驾驶员姿态数据集的标签处理方法；提出了适用于日夜环境的多级联卷积神经网络驾驶员姿态识别模型，实现11类基本姿态及其叠加姿态，共计53种驾驶员姿态的有效识别；该模型在白天数据集上的正确率高达 98.68％，单张图像识别时长为 405ms，在夜晚数据集上的正确率高达98.03％，单张图像识别时长为 362ms，精度和速度均比普通无级联模型的表现更好。
　　论文通过观察驾驶视频和调查问卷，总结出8个定性和4个定量驾驶员行为评价指标，构建了驾驶员姿态行为综合评价模型。根据模型量化不同姿态的安全程度，将姿态按照危险程度由高到低排序为：玩手机＞打电话＞拿放东西＞吃东西（抽烟）＞操纵仪表盘＞操纵档位＞单手驾驶＞正常驾驶。此外，论文还进一步构建了多种姿态叠加的安全性评价模型。通过姿态叠加的4个普适性约束条件，建立数学模型，计算双姿态、三姿态乃至更多姿态叠加的危险性得分。最后根据识别姿态的危险级别，组合声音、振动、灯光三种提示方式实现对驾驶员的警示。
　　最后，论文使用PyCharm＋PyQt5开发营运车辆驾驶员姿态实时监测识别原型系统，实现基于级联卷积神经网络的驾驶员姿态行为识别、评价及警示等核心功能。