La detección de comportamientos distraídos es una tarea importante en la conducción asistida por computadora. Aunque el aprendizaje profundo ha avanzado significativamente en esta área, sigue siendo difícil cumplir con los requisitos del análisis y procesamiento en tiempo real de datos masivos basándose únicamente en la potencia de cálculo local. Para superar estos problemas, este documento propone un método de detección de distracciones en la conducción basado en una arquitectura de computación en la nube-niebla, que introduce módulos escalables y una optimización basada en la poda codiciosa. Específicamente, el método propuesto aprovecha al máximo la computación en la nube-niebla para procesar datos complejos de escenas de conducción, resuelve el problema de las limitaciones de recursos de cálculo locales y logra el objetivo de detectar el comportamiento de conducción distraído en tiempo real. En cuanto a la extracción de características, se utilizan módulos escalables para adaptarse a diferentes niveles de extracción de características y capturar eficazmente la diversidad de comportamientos de conducción. Además, con el fin de mejorar el rendimiento del modelo, se introduce un método de optimización basado en la poda codiciosa para optimizar la estructura del modelo y obtener un modelo más ligero y eficiente. A través de experimentos de verificación en múltiples conjuntos de datos de escenas de conducción como LDDB y Statefarm, se demuestra la efectividad del método propuesto de detección de distracciones en la conducción.