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。