在驾驶车辆时,除却车辆的风险管控需要我们的重视外,驾驶员的风险管控同样值得我们去关注。在绝大多数情况下,对于驾驶员安全行驶这一方面,更多的是关注人员是否疲劳驾驶,是否有打电话、抽烟等行为,而忽略了情绪对于驾驶员注意力的影响和盲驾行为带来的危害性。驾驶员的情绪变化会影响到驾驶员的注意力,进而容易引起安全事故,盲驾行为是眼睛的辨识范围不在道路前方,在遇到紧急情况时,难以第一时间发现并采取紧急措施,极容易造成安全事故。因为人的面部是人类情绪展示与视线捕捉的最直接的平台,所以人脸提供的表情数据与瞳孔朝向数据,可以成为识别、检测驾驶员情绪驾驶和盲驾行为的一个可行方法。本文的目的是在考量多种外界环境与驾驶员自身因素的基础上,完成一整套的表情识别与盲驾行为检测的过程,并将表情识别与盲驾行为检测结果与建立的风险预警模型相结合,使安全风险评价体系返回的结果能够提醒、帮助驾驶员摆脱危险驾驶行为,回归正常。本文的具体工作与成果有如下几个方面:（1）在收集到一系列开源表情数据集和瞳孔朝向数据集后,挑选部分合格数据制作成数据集后,切实考虑到驾驶员所处环境与驾驶员自身的双重变量,针对环境的变化,对部分数据集进行了基于PCA主成分分析的颜色变化和基于Cycle GAN循环生成网络的低曝光度数据生成,用以仿照驾驶员所处环境光线变化的情况。针对驾驶员头部的转动问题,对部分数据集进行了透视处理。以此使数据集尽可能涵盖多种真实情况,增强模型的鲁棒性。在数据的预处理中,为了减小一些背景、颜色的无关干扰项,且部分数据集是在光线较为微弱的情况下采集的或者是通过循环神经网络合成的,若这些数据直接传入至神经网络,会对最终的结果产生一定的负面影响。为了尽可能减小非人脸面部变量的影响,特对数据进行了增强处理,包括对于采集到的和生成低曝光度图片进行基于Enlighten GAN网络的暗光增强处理,针对表情识别算法的颜色与尺寸的归一化处理和基于dlib人脸关键点检测和三庭五眼先验知识的人脸裁剪。（2）综合比对了各种分类网络,提出使用基于经典的残差网络对表情进行识别。为了更好的部署在终端,对模型进行了模型融合与参数量化,采用训练后静态量化对模型进行优化,最终在保证模型准确率的基础上,模型大小与运行效率均有一定的优化。（3）确定了头部在端正的姿态下,水平方向上瞳孔中心点位置的变化与视线变化范围的函数关系映射。综合考量现有关键点检测算法,并考虑到实际情况的需求,最终选择HRNet作为关键点检测算法,并以关键点检测的结果作为后续盲驾预警模型的参数。（4）参考风险等级划分的依据,综合考量驾驶员安全驾驶所牵涉到的相关因素和安全规范,建立起了驾驶员情绪驾驶风险评价体系和盲驾风险评价体系,并在实例中进行了验证。