近年来,我国经济发展飞快,国内机动车的数量逐年上涨,同时道路交通事故的发生频次也愈发增多。相关研究发现,驾驶员是导致发生道路交通事故的一个重要原因,其中驾驶员不规范、不安全驾驶是最主要的原因,如单手抽烟或打电话、注意不集中等。因此,避免驾驶员进行不规范、不安全的驾驶动作,可以使得道路交通事故的发生频次减少。通过车内摄像头等设备对驾驶员动作进行实时监控和检测,然后根据识别结果对驾驶员进行必要的提醒和警告,甚至通过干扰制动的方式强制让车辆减速,以避免道路交通事故的发生。只有当道路交通事故的发生频次变少,人们的生命安全才能得到有效保护,财产安全才能得到有效保障,同时还能有效缓解城市的堵车现象,避免城市交通压力过大。本文的主要研究内容如下:首先,本论文邀请15位驾驶员志愿者参与数据集7种不安全驾驶视频片段的拍摄,依据SrateFarm-kaggle数据集,从拍摄方位、光照强度等方面,利用拍摄设备采集数据集。同时与开源数据集SrateFarm-kaggle中26位驾驶员的4种不安全驾驶动作相对应的数据集进行混合,形成论文研究的数据集。并在进行动态识别时,将数据集按7:3的比例分为Training Set和Test Set,保证论文实验结果的科学性和可操作性。其次,基于所获取的开源数据集,以RGB图像为输入,通过Openpose获取静态下驾驶员骨骼点信息,根据动作特征参数,设置标签,提出一种识别方法,对驾驶员4种不安全驾驶动作进行静态识别。同时,为扩大识别动作的覆盖面,本文基于混合数据集,以视频为输入,通过Openpose获取动态下驾驶员骨骼点信息,构建骨骼序列时空图,在时空图卷积网络模型（ST-GCN）中进行驾驶员7种不安全驾驶动作动态识别（对骨骼关节在时空运动的捕捉）训练,并在测试集中进行检测。最后,基于已有的训练模型和识别方法,设计开发了针对驾驶员不安全驾驶动作的检测识别和预警系统,融合静态和动态两种状态,对驾驶员不安全动作进行识别。