驾驶员在行车过程中,由于长时间驾驶或其他原因会导致疲劳驾驶行为、分心驾驶行为等不良驾驶行为。这些行为严重时会威胁驾驶员与乘客的生命安全,因此需对驾驶员进行不良驾驶行为检测和预警,这样可以有效保障司乘的出行安全。针对不良驾驶行为检测这一问题,国内外研究人员主要提出了三大类解决方法:基于驾驶员生理特征的检测方法、基于车辆运动特征的检测方法和基于驾驶员面部特征和行为的检测方法。在这三种方法中,基于驾驶员面部特征和行为的检测方法具有检测精度高、检测速度快及检测装置简单等优点,但是其检测算法多数不能平衡检测精度与检测速度,且算法普适性和实用性较差,不能满足实际的行车环境。为解决该问题,本文提出了一种基于深度学习的不良驾驶行为检测算法,并运用该算法设计了一套检测系统,具体内容如下:（1）针对现有检测算法的检测精度与速度的不平衡问题,提出了一种基于轻量化卷积神经网络的不良驾驶行为检测算法,创新性地加入了轻量化卷积神经网络、压缩卷积通道系数和加入FPN-tiny特征金字塔模块等技术优化网络结构,并采用对比实验验证了算法检测精度与速度的平衡。（2）为解决在弱光环境或夜间时检测算法的稳定性,在上述基础上,提出了一种基于弱光增强和IR-CUT的夜间不良驾驶行为检测方法。该方法利用RetinexNet网络和EnlightenGAN网络进行图像弱光增强处理,采用IR-CUT红外相机对夜间环境进行检测,并设计对比实验,验证了弱光增强后和IR-CUT红外相机开启后检测算法的稳定性。（3）为更好地将检测算法应用于实际,设计了一款基于Xavier NX的不良驾驶行为检测系统。该系统分为车内检测终端、后台信息管系统和移动端微信小程序三个部分,采用嵌入式物联网模式实现信息交互。本系统实现了不良驾驶行为的实时监测与预警等功能,有效提升了检测系统的实用性。本文检测算法与检测系统经多次仿真实验与实际测试实验后,得到的实验结果表明:基于轻量化卷积神经网络的不良驾驶行为检测算法拥有更快的检测速度与更为稳定的检测精度,其实时FPS值平均可达46帧/秒,平均分类精度达到97.39%,mAP值为80.02%;基于弱光增强和IR-CUT的夜间不良驾驶行为检测方法在上述算法上提高了弱光环境下检测的精度与速度,在夜间或弱光环境下其实时FPS值平均可达38帧/秒,平均分类准确率达到98.28%;基于Xavier NX的不良驾驶行为检测系统可流畅运行上述算法,根据算法进行实时推理检测,并可实现多种外设功能,使得整套检测系统更具实用性。