针对目前驾驶员疲劳检测算法存在检测过程复杂、参数多、精度低、运行速度慢等问题,提出了一种基于改进YOLOv8n-Pose的轻量级模型.该模型优化了YOLOv8n-Pose的结构.首先,在模型主干网络中,引入Ghost卷积减少模型参数量和不必要的卷积计算.其次,引入Slim-neck融合主干网络提取的不同尺寸特征,加速网络预测计算.同时在颈部网络添加遮挡感知注意力模块(SEAM),强调图像中的人脸区域并弱化背景,改善关键点定位效果.最后,在检测头部分提出一种GNSC-Head结构,引入共享卷积,并将传统卷积的BN层优化成更稳定的GN层,有效节省模型的参数空间和计算资源.实验结果显示,改进后的YOLOv8n-Pose相较于原始算法,mAP@0.5提高了0.9%,参数量和计算量各减少了50%,同时FPS提高了8%,最终的疲劳驾驶识别率达到93.5%.经验证,本文算法在轻量化的同时能够保持较高的检测精度,并且能够有效识别驾驶员状态,为车辆边缘设备的部署提供有力支撑.