随着经济的增长,中国汽车保有量逐年递增,由此引发的道路安全事故也程增长趋势。疲劳驾驶和分心驾驶是引发交通事故中两个主要原因之一。研究驾驶员的驾驶状态,并适时进行预警,对于保证道路安全具有非常大的意义。基于机器学习的驾驶状态研究,主要是通过图像对驾驶员的脸部、头部或手部特征进行检测分析。其基于图像特征提取的驾驶监测技术与人的认知相似性,更因其非入侵式无接触性、强鲁棒性等特点,并可以与辅助驾驶设备/系统有效结合,使其在驾驶状态研究中具有巨大的发展潜力和良好的应用前景。在复杂的驾驶环境中,对于模型的检测速度和精度有了更高的要求。本文主要从以下两个方面对驾驶状态进行研究。首先,对于驾驶员的疲劳状态监测,主要从人脸图像上的眼部特征和嘴部特征开展研究,主要从网络结构和数据集进行改进。为了提高人脸检测中人脸姿态和大小的多样性,先使用LFPW和AFW带有关键点标注的数据集构建疲劳检测数据集,其数据集是在复杂环境下的人体上半身图片,数据的人脸大小、姿态和背景都很丰富,有效提升模型的鲁棒性。为了适应真实驾驶环境下的人脸区域的特征提取,使用YAW-DD疲劳驾驶视频扩充数据集,并使用CEW闭眼数据扩充闭眼特征。其次,根据数据集的统计特性调整网络结构,使模型更加紧凑。然后,使用改进的YOLOv3（You only look once v3）模型对人脸、眼部和嘴部特征进行检测,根据眼部的闭眼帧数和嘴部的哈欠帧数判定驾驶员的疲劳状态,并且通过检测出的人脸区域引入注意力机制,使检测的后帧根据前帧的人脸区域进行特征搜索,在保持检测速度的同时,提高了眼部和嘴部小目标特征的检查能力。最后使用通道剪枝技术对模型进行压缩,有效提升了模型推理速度,且有效减少了模型参数。其次,对于分心驾驶状态的研究,主要从对是否使用手机、是否饮水特征进行特征提取分析。使用手机是引起分心驾驶的主要因素,而引饮水作为另一个分心驾驶特征,以此提高模型的泛化能力,提高模型的鲁棒性;以双手紧握方向盘作为正常驾驶的特征。然后,改进YOLOv3模型为区域单一特征对三种特征进行特征提取,最后根据检测的最大置信度判别分心驾驶状态,模型使用的区域特征提取方法通过标签引入特征的位置信息,比其他基于整个图像特征的单一标签进行分类的方法更加有效。最后,通过剪枝技术对模型压缩,算法的检测速度和模型大小都有很大的改善。