近年来,随着我国经济的快速发展以及道路交通的建设,机动车总量和驾驶员数量都有显著的增加。对交通安全管理体系、事故应急处理带来了极大的考验。通过对大量交通事故案例分析,诱发汽车交通事故的主要原因是驾驶员在行车过中存在许多与驾驶无关的行为,比如在驾驶过程中接电话、查看信息等。这些行为分散了驾驶员的注意力,导致驾驶员无法注意周边的交通环境,从而发生交通事故。交通事故的发生给人类社会带来了巨大经济损失和大量人员伤亡,为了降低交通事故发生率,需要对驾驶员的不安全驾驶行为进行预警。现有的驾驶行为预警系统多是基于深度学习的云端识别模型,该模型能够很好的识别驾驶员的驾驶行为。然而,云端识别涉及到数据的传输以及传输过程中的信息安全。此外,驾驶员存在不安全驾驶行为时,需要及时提醒驾驶员注意个人驾驶行为,对云端识别模型的识别效率有较高的要求。基于以上问题,云端识别模型不能很好的帮助驾驶员。因此,本文采用轻量级网络模型解决模型的识别效率问题,对于数据的传输以及传输过程中的安全性,本文构建本地识别模型,同时,为了能够提醒用户,设计并实现了驾驶行为预警系统。本文主要工作如下:（1）采用轻量级网络模型。通过分析现有的网络模型,本文选取轻量级网络模型Mobilenet V3作为驾驶行为识别模型,采用State Farm数据集训练模型。针对模型在识别中的效率问题,本文采用压缩算法:模型剪枝和权重共享。实验表明,压缩后的模型,模型权重大小约为原模型的24%,降低了模型识别所需时间,压缩后模型的识别准确率为87.6%。对卷积层引入channel shuffle后,模型的识别准确率提升为89.3%,满足本文所要处理的任务。（2）采用图片亮度检测、图像增强。在实际应用场景中,车载摄像头采集的图片对光照比较敏感,光线不充足导致采集的图片不清晰,给模型的识别带来困难。本文采用Zero-DCE算法对采集到的图片进行图像增强,由于Zero-DCE在处理图像上,消耗时间较多,同时,摄像头采集的图像在光线充足的条件下质量较好,在光线不充足的条件下,质量较差。因此,不需要对采集的每一张图像进行增强。为了区分图像亮度是否正常,需要进行亮度检测。通过判断灰度图的偏离均值与平均偏差的比值,确定图像是否正常。（3）设计并实现驾驶行为预警系统。遵循软件工程思想,本文设计并实现了驾驶行为预警系统。针对驾驶员主要在汽车驾驶时使用,场景较为固定,本文设计并实现了一个桌面应用程序。在实现驾驶行为识别功能的基础上,识别出驾驶员存在异常行为时,桌面应用程序能发出警报提示音,提醒用户安全驾驶。同时,应用程序对每次识别任务进行可视化展示。针对系统管理员用户,主要为交通执法人员。本文设计并实现了一个Web系统。最后,本文对驾驶行为识别与预警系统进行了系统测试。从用户层面,测试了系统的主要功能模块,均能响应用户的操作,并返回正确信息;从服务器层面,基于高并发进行了非功能性测试,服务器能通过一定级别的并发访问。