驾驶疲劳是造成交通事故的重要原因,能及时检测出驾驶员疲劳驾驶,并发出警告对驾驶安全和减少交通事故有重要意义。本文主要针对在驾驶环境的复杂情况中的驾驶员面部做驾驶疲劳检测研究,利用卷积神经网络的方法对疲劳状态进行检测。本文主要研究驾驶员人脸检测,驾驶疲劳检测网络构建和驾驶疲劳特征提取。首先,深入分析人脸检测方法,并选择级联CNN结构的MTCNN方法作为驾驶员人脸检测方法。其次,在人脸检测基础上充分利用视频帧数据的空间分量特性和时间分量特性分别提取驾驶员脸部信息的空间静态特征和时间动态特征,并建立能同时提取驾驶员静态疲劳特征和动态疲劳特征的双流网络结构。本文双流网络是基于AlexNet模型改进的,由空间流网络和时间流网络组成的并行网络,空间流网络提取当前RGB图像帧的驾驶员静态疲劳特征,时间流网络提取经过稠密光流算法Farneback处理过的光流图片帧的驾驶员动态疲劳特征,使用卷积融合方法融合空间流网络和时间流网络提取的特征来检测驾驶疲劳。最后,使用加权平均法融合车-路信息研究驾驶疲劳检测。人脸检测实验比较了传统人脸检测方法(基于HOG算子的人脸检测算法和基于Haar-like特征的Adaboost人脸检测算法)和MTCNN方法的检测效率,实验结果表明MTCNN人脸检测准确率为99.7%,平均每帧图片检测时间为12.5ms。驾驶疲劳检测实验结果表明基于AlexNet改进的双流网络检测准确率为92.87%,只提取静态特征的单路空间流网络准确率为87.12%,只提取动态特征的单路时间流网络检测准确率为83.5%,本文还通过几组对比实验改良了模型参数以保证模型性能的高效性。实验最后融合车-路信息的疲劳特征检测驾驶疲劳,检测准确率为94.02%。