近年来,随着国内汽车数量急剧攀升,发生交通事故的频率也随之升高。相关研究人员研究后发现,大部分交通事故产生的原因都和驾驶员相关,其中接近一半都是由于危险驾驶导致的,因此识别和避免驾驶员危险驾驶行为,是目前亟待解决的问题。利用车载智能设备能够实时监测驾驶员的危险驾驶行为,然后对驾驶员发出警告或者强制降低车速。交通事故发生率的降低可以保障人民的生命和财产不受损失,同时还能有效缓解高峰时段道路拥堵问题。本文的主要研究内容如下:首先,使用kinect设备采集15位驾驶员的5种驾驶状态的数据集,同时混合开源数据集State Farm中26位驾驶员的5种驾驶状态的数据集,制作成实验所需数据集。然后将驾驶员按照4:1的比例分为训练集和测试集,保证算法结果的客观性以及有效性。其次,针对车载设备采集的驾驶员图像中包含大量冗余信息会导致危险驾驶行为识别准确率低的问题,本文提出一种定位驾驶员局部信息来帮助卷积神经网络识别危险驾驶行为的算法。根据驾驶员的局部定位信息,能够降低冗余特征的干扰。同时卷积网络可以关注决定驾驶行为的关键特征。最后,针对车载设备采集的驾驶员图像中包含大量冗余信息,会导致危险驾驶行为识别准确率低的问题,进一步提出了一种减少冗余信息的优化方法,即一种基于编解码结构的语意分割模型和BAM注意力机制的危险行为识别方法。综上,本文从减少图像冗余特征信息和筛选危险驾驶行为有效特征的角度进行实验和分析,不仅提高了车载智能设备识别危险驾驶行为的准确性,同时也提升了卷积神经网络在识别危险驾驶行为上的收敛速度。实验结果表明,改进后的方法能够准确地检测驾驶员的危险驾驶行为。