驾驶员异常驾驶行为的高效识别对预防交通事故的发生具有十分重要的意义。近年来,随着机器学习和人工智能的发展,车辆也逐渐趋于智能化。为有效地规范驾驶员驾驶行为,采用在智能车上安装摄像头的方式以获取驾驶员相关信息。搭建卷积神经网络模型对获得数据进行分析,通过最终的识别结果对驾驶员行为进行有效分类。针对“精准-快速”两个方面,提出了两种异常驾驶行为识别方法。主要工作内容如下:（1）针对当前驾驶行为识别精度较低问题,研究提出了一种基于关键子区域特征增强的驾驶员异常驾驶行为识别模型。该模型首先通过关键子区域定位模型提取驾驶员的头部与手部区域,然后将提取到的区域同原始图像作为模型的输入,以深度残差神经网络Res Net-50为基础网络框架,对State Farm数据集中的十种驾驶行为进行有效识别。实验结果表明,该模型对十种驾驶行为具有较高的识别精度,平均可达到91.22%。（2）针对低功耗计算场景下,驾驶动作类内差异与类间重叠问题,研究提出了一种基于双路注意力机制多尺度聚合模块的驾驶员异常驾驶行为识别模型。结合不同驾驶行为间的差异性和驾驶动作的局部性,对Res Net-50网络做如下改进:（1）提出一种多层级特征融合模块（Multilevel Feature Fusion Module）,融合不同层级的特征以提高网络模型对特征细节的感知能力。（2）提出一种双路注意力机制多尺度聚合模块（Dual Attention Mechanism Multi-scale Aggregation Module）,结合SE-Net通道注意力机制、Non-local自注意力机制和Multi-scale多尺度聚合模块共同构成双路注意力机制多尺度聚合模块。增强模型在通道和空间方面的表达能力,加强对驾驶行为的局部判别,进而提高网络模型的鲁棒性。实验结果表明,该模型既可对驾驶行为快速分类,又具有较高的识别精度,平均可达到92.98%,拥有较强的泛化能力。（3）设计并实现了驾驶员异常驾驶行为识别系统,该系统上手简易,将基于DAMMAM的驾驶员异常驾驶行为识别模型部署于系统中以高效精准的识别驾驶行为。本文通过研究异常驾驶行为间的分类和识别问题,一定程度上加强了驾驶员驾车过程的安全性,为未来智能驾驶的实现提供更多的参考方案。