随着汽车自动驾驶技术的普及程度越来越高,安全带的佩戴在汽车安全驾驶中起到了越来越重要的作用。自动识别驾驶员是否佩戴安全带已经成为智能交通和自动驾驶系统研究中必不可少的重要课题,该技术的实现可以在一定程度上对安全意识淡薄和无视交通规则的驾驶人员起到一定的监督和警告作用,从而增强驾驶人员遵守交通规则的意识,大幅度降低交通事故的发生率和交通事故的死伤率。本文回顾了深度学习和卷积神经网络系统的发展过程和研究现状,并在此基础上开展基于YOLO v3的目标检测和安全带检测方法研究,主要的研究工作如下:（1）在对深度学习和卷积神经网络的理论与技术进行了深入分析的基础上,提出一种改进的YOLO v3的车辆检测算法、基于轻量化模型的前挡风玻璃定位算法和基于深度学习的安全带检测算法,实现了对车内乘车人员与车内驾驶人员位置、驾驶员及乘员是否佩戴安全带的检测。（2）在车辆检测算法中,对已有的YOLO v3算法预测框选择方法进行了改进,先用GIOU测量预测框与真实框之间的距离,优化IOU得分值,并用改进的损失函数进行计算,提高了车辆检测的准确率。本文所提出算法的实验结果表明,当图像分辨率与特征提取模型相匹配时,改进YOLO v3算法的平均精度同原YOLO v3算法相比在PASCAL2007和PASCAL2012公开数据集上由79.6%提升至81.3%。（3）在车辆前挡风玻璃检测中,通过轻量化特征提取的方法,在点卷积进行通道重排后再将未进行通道重排的深度可分离卷积与之进行张量拼接,再将原始输入特征与卷积后的特征图进行张量相加,获得大量的特征信息,实现了车辆前挡风玻璃位置的检测。在自制的前挡风玻璃检测数据集中,前挡风玻璃检测在平均精度为99.96%时速度可达71FPS。（4）在对安全带检测研究中,在检测出的前挡风玻璃区域中应用网络模型对驾驶人员与乘员是否正确佩戴安全带进行判定。与已有安全带检测算法进行了对比试验,并分析各自优缺点。并且本文安全带检测算法可以达到94.83%的准确率。