L'analisi dell'interazione fra uomo e ambiente è uno degli obiettivi principali della Visione Artificiale, sia nel mondo della ricerca accademica che in quello industriale. Tra i settori dove si pone maggior interesse nella ricerca di sistemi automatizzati, uno dei predominanti è quello Automotive. In un mondo che si dirige verso automobili a guida autonoma, lo studio del comportamento dei passeggeri e del conducente all'interno dell'abitacolo è un compito ambizioso, sia per quanto riguarda la sfida tecnologica che per gli aspetti sociali, morali e legali che potrebbe ricoprire. L'obiettivo di questa tesi è il Driver Monitoring, attività che si occupa di valutare e monitorare le azioni del conducente del veicolo. La testa, gli occhi e le mani, frazioni dell'area superiore del busto, sono le parti del corpo che influiscono maggiormente sull'azione di guida. Lo studio della posizione delle mani, che agiscono attivamente sul controllo dell'auto, consente di ottenere informazioni sullo stato di attenzione del guidatore. L'analisi dei gesti, chiamata Gesture Analysis, si basa su una corretta rilevazione delle mani, definita Hand Detection. Con Body Pose Estimation si intende la rilevazione di tutte le parti del corpo di un soggetto. Sfruttando queste informazioni è possibile studiare il movimento dell'intero scheletro. Le mani fanno parte dei giunti del corpo umano, tramite la body pose estimation è quindi possibile effettuare anche la hand detection. In questo progetto di tesi il lavoro svolto è incentrato su questi due task, Hand Detection e Body Pose Estimation. Vengono presentate diverse architetture basate su reti neurali per la risoluzione di entrambi i problemi in ambito Automotive. I dati utilizzati come input sono di diversa natura: immagini RGB ed immagini di profondità, chiamate Depth Maps.