随着机动车数量的不断增多,道路交通安全问题日益严重。在交通事故发生时,驾驶员佩戴安全带可以有效保护驾驶员人身安全。依靠人工检测交通监控图像是当前公安管理部门监督驾驶员佩戴安全带的主要途径。随着人工智能的发展,基于图像自动识别的智能系统在不同领域得到了深入研究和应用。本文面向驾驶员是否佩戴安全带的自动识别与检测技术需求,基于深度学习研究交通监控图像中的小目标检测和识别方法及其应用。本文对深度学习和卷积神经网络的研究现状及其理论与技术进行了深入分析和研究,提出了基于转置卷积的小目标检测算法^Deconv-SSD、基于轻量化模型的驾驶员区域定位算法^Squeeze-YOLO和基于语义分割的驾驶员安全带检测算法。^Deconv-SSD通过深度可分离卷积与融合多分辨率特征图实现快速车辆检测,然后利用前挡风玻璃特征显著的特点,通过轻量化特征提取的方式通过^Squeeze-YOLO算法实现了驾驶员区域快速定位。在定位区域基于语义分割算法和剪枝技术对安全带进行快速分割并通过判断分割后的最大连通域面积实现驾驶员安全带检测。本文对所提出的算法进行了实验和数据分析。当图像分辨率与特征提取模型一致时,Deconv-SSD的平均精准度同原^SSD算法相比在^{PASCAL VOC}公开数据集中由^77.2%提升至^79.6%。在自制的安全带检测数据集中,^Squeeze-YOLO在平均精准度为^99.96%时速度可达到^73FPS,经剪枝加速后的语义分割算法在^305FPS的速度下实现了^94.87%的准确率。基于^Caffe框架和^Qt图形界面库,本文完成了驾驶员安全带检测系统的设计与实现,并通过合并^{batch normlization}层与^Tensorrt量化模型实现了算法^GPU加速的工程化设计。本文最后结合^XILINX的开源^IP核设计了一种低功耗、低成本的安全带检测算法,并在基于^FPGA的嵌入式^Soc上进行了实现。