随着我国汽车行业快速发展,交通事故也愈发频繁,每年都带来大量人员伤亡和巨额经济损失。交通事故发生的主要原因之一是驾驶员出现疲劳等异常驾驶状态,而驾驶员状态监测算法可以通过在驾驶员处于异常驾驶状态时对其发出预警来降低交通事故发生的概率。近年来,深度学习越来越多地被应用在图像处理领域,驾驶员状态监测相关算法也不例外,但现有研究少有将深度学习算法针对驾驶工况进行优化,导致其实时性和鲁棒性不强,针对这类问题,本文提出一个基于多任务卷积神经网络的驾驶员状态监测算法,该网络可利用时序先验提高检测准确性,并在稳定运行时省去人脸检测步骤,以实现更加快速、精确的获取和计算驾驶员面部特征,进而进行驾驶员状态判断。本文主要研究内容和结果如下:1)基于SSD目标检测网络针对驾驶工况以及工程化过程优化网络结构和参数,利用Relu6激活函数和L2正则化损失避免部署过程中的截断等变量表示问题,以实现在边缘计算设备上高效、准确的人脸检测。实验中优化后的人脸检测网络速度符合预期,准确率也较高。2)提出了一个可以利用时序先验来提升检测效果的多任务卷积神经网络以同时完成面部关键点检测、头部姿态估计和人脸验证任务,并为其特别设计了输入数据形式、训练方法和步骤,以及设计了一个全新的先验知识生成器,通过热点图的形式传递先验知识。实验证明先验知识能给网络带来大幅准确率提升,该网络有实时性极强、准确率较高的特点,能够符合驾驶员状态监测算法的要求。3)设计了多个驾驶员面部特征及其对应的提取和计算方法,并基于这些特征设计了SVM分类器,为验证算法效果采集并制作了小规模的异常驾驶数据集,在此数据集上的实验说明训练的SVM分类器在本文的驾驶员状态监测算法中能够快速、准确地完成驾驶员状态分类,验证了本文驾驶员状态监测算法的有效性。本文提出的利用时序先验的多任务卷积神经网络在无先验时面部关键点检测误差、头部姿态估计误差分别为6.75%和2.25°,先验知识还可以减少27.21%的关键点检测误差,驾驶员状态判定准确率为90.28%。本文算法实时性显著,准确性也较高,具有很高的实用价值。