列车作为现代化交通工具中的重要成员,担负着国民经济和社会发展的重任。司机作为全车运行过程中最主要的操控者,一旦存在不规范驾驶行为将严重影响行车安全。因此本文以列车司机这一特殊职业作业人员为研究对象,利用图像处理技术分析列车司机的人体关键特征的变化规律,实现对具体不规范行为的实时捕捉。本文针对目前铁路相关部门对于不规范行为监测系统相应的功能需求,将疲劳驾驶和危险动作两类不规范行为作为主要研究目标,确定了关于列车司机不规范行为监测系统的总体研究思路和设计方向。硬件部分包含对模拟驾驶室的搭建以及工控机、摄像头的选型及介绍;软件部分具体包含编程环境搭建、图像处理等算法实现,以及设计界面对主要功能进行可视化展示。对列车司机的疲劳驾驶检测采用基于面部特征的方法,该检测方法的关键在于人脸特征提取的精度和多特征融合判决算法的设计。特征提取方面通过改进模型对人脸图像的提取策略,对现有算法存在的特征点抖动和偏移现象进行优化。同时利用人脸特征点实现头部姿态定位,并对面部特征建模实现面部疲劳参数的修正。多特征融合的疲劳判决部分通过将各疲劳参数指标进行量化及制定提取规则,分别使用多种机器学习分类算法对实验结果进行评估,选择效果最优的SVM（Support Vector Machine）算法作为最终的评价算法,其准确率在自制数据集上达到92.6%。危险行为识别技术目前属于监控领域的研究难点,因此针对列车司机在驾驶环境下的常见危险行为,考虑将姿态估计技术和目标检测技术相融合,提出列车司机的危险行为识别方法。对于输入图像使用Alphapose姿态估计算法提取人体骨骼关键点坐标,将坐标传入行为分类器得到初始行为类别,配合YOLOv5目标检测算法提取感兴趣物体的类别与位置。此外设置融合模块将初始行为类别、目标与关节空间关系和自制的规范行为类别进行融合决策,得到最终的行为判别结果。实验结果表明该方法在自制数据集上检测效果理想,加入目标检测和融合决策模块后的检测鲁棒性大幅提升,对各类危险行为平均识别准确率达到93.8%。