交通安全是交通强国战略的重要组成部分,交通安全事故将严重威胁到人民群众的生命安全,也会给国家财产带来巨大损失,因此预防交通安全事故的发生是十分必要的。在驾驶员、车辆和道路环境组成的车辆行驶系统中,驾驶员是系统中最薄弱的环节,驾驶员注意力分散是导致交通安全事故的重要因素。驾驶员注意力分散包含驾驶疲劳,驾驶分心现象,这些现象导致驾驶员在驾驶过程中无法专心驾驶,并且反应迟钝,动作僵硬。因此,需要对驾驶员注意力进行监测,确保驾驶员处于正常驾驶状态,从而降低交通事故发生概率。现有的基于视觉监测的方法主要是采用传统图像处理技术提取特征进行监测,这种方法存在效率低,准确性极其容易受环境影响等问题。因此,研究准确、稳定及实时的驾驶员注意力监测方法非常重要。本文依据公开的行业标准图像数据集及通过车载红外摄像头采集的数据集,提出了一种基于卷积神经网络的驾驶员注意力监测方法,并完成了驾驶员注意力监测系统的设计与开发。论文的主要工作如下:首先,本文考虑到驾驶员注意力监测场景的特殊性,提出了驾驶员面部及特征点检测方法,基于轻量级联卷积神经网络建立了驾驶员面部检测模型,确保了驾驶员面部检测的准确性和实时性;采用基于集成回归树的面部特征点定位技术实现驾驶员面部特征点定位,为准确获取疲劳特征区域进而实现疲劳状态识别奠定了坚实的基础。随后,本文在驾驶员面部及其特征点检测的基础上,综合考虑多种表征疲劳状态的生理现象,提出了基于卷积神经网络的疲劳状态识别方法,采用轻量级卷积神经网络进行了驾驶员睁眼闭眼识别,基于面部特征点几何关系获取了哈欠和盹睡状态的疲劳特征指标;最终基于Preclos疲劳判别准则完成了驾驶员疲劳状态综合识别。根据面部检测结果,获取了分心行为检测候选区域,基于深度可分离卷积和Bneck-Block结构,提出了一种驾驶员分心行为检测算法,实现了驾驶员抽烟、使用手机两种分心行为的检测。同时将该方法应用于其他检测任务,也取得较好的效果。最后,采用C与C++编程语言,基于Deepstream视频处理框架、Tensorflow深度学习框架与相关计算机视觉库在人工智能计算平台Jetson TX2上实现了驾驶员注意力监测系统算法和软件开发。在标准测试集上对算法进行了系统测试和对比,并进行了实际现场的车载测试,验证了本文方法的有效性和系统的可靠性。