驾驶员打手机行为检测属于分心驾驶检测任务。分心驾驶是造成交通事故的主要因素,因此通过对驾驶员分心行为进行检测并预警,对减少交通事故的发生具有重要意义。虽然有很多检测驾驶员打手机的方法,但是由于自然环境因素的影响,存在检测准确率低的问题。本文针对检测驾驶员打手机行为难的问题做了以下研究:（1）在驾驶员打手机行为检测中,针对手机小而模糊,易受遮挡、光线和恶劣天气等复杂环境因素的影响,导致难以检测的问题。提出将手和手机合为一个新特征的标注方法,使得目标变大,容易检测。对于挠痒、抽烟等手势动作对新特征的影响,提出以Yolov4为基础,融合坐标注意力模块构成新的特征提取网络的解决方案,不仅能够增强对深层特征显著区域的检测性能,而且也能提高模型对细节信息的学习能力。实验结果表明,与Yolov4算法相比,改进算法不仅能够增强细节信息的学习能力,同时也可以提升小目标的检测精度,在平均精度均值有6.4%的提升。（2）在驾驶员打手机行为检测中,手机小而模糊,易受图像背景干扰,导致模型检测困难,同时Yolov4模型在PAN（Path Aggregation Network）结构进行多尺度特征融合时造成信息冗余会导致模型检测效果不佳。为了克服上述困难,本文从两个方面对Yolov4卷积神经网络进行改进:（1）增加网络的深度和宽度,提取信息更加全面、感受野更大的层级特征和细粒度特征;（2）加入特征截取模块截取不同尺度的特征与特征金字塔融合,获得具有更加丰富的语义信息特征,增强底层和高层特征的依赖性。通过实验表明,改进方法相比Yolov4方法,在平均精度均值有12.9%的提升。