随着社会的发展和经济的进步，汽车已经成为人们拓展生活空间，提高生活效率，提升生活品质的必备交通工具。汽车数量的与日剧增表现为社会繁荣的同时也带来了诸多社会问题。首先是环保和拥堵问题，然而，当前的首要问题是道路安全问题。据统计每年全球的道路交通事故多达10亿次，占全球安全事故总数的90%左右，导致的受伤人数约有2500万人，同时至少造成50万人死亡，占全球安全事故伤亡人数的80%以上，道路交通事故业已成为造成人类非正常死亡首要因素。每年各个国家都要为道路交通事故付出沉重的生命代价和巨大的经济损失。然而，不幸的是我国的交通环境甚为恶劣，交通事故率一直位居世界第一。我国每年在道路交通事故中的死亡人数占全世界的20%还多，如此糟糕的交通环境，提高道路安全水平势在必行。有统计表明，在所有道路交通事故中，人为因素占80%，而疲劳驾驶又是最普遍的人为因素。因此，进行疲劳驾驶识别和预警对于避免恶性交通事故发生，保障人们生命和财产安全将起到至关重要的作用。本文的研究内容正是围绕疲劳驾驶识别这一问题展开的。第一，阐述了疲劳驾驶识别这一课题的研究意及国内外研究现状。对各种识别技术进行了总结，重点对比了客观检测手段中的四类常用检测方法的优缺点。通过对此领域中重要文献分析，概括出当前国内外的研究热点以及疲劳驾驶识别领域未来的研究趋向，同时指明本文基于驾驶者面部信息开展研究。第二，研究了疲劳驾驶识别中涉及的人脸及其局部单元定位问题。形成两种适于驾驶环境的人脸及其局部单元的检测方法。一种是基于肤色高斯模型和模板匹配的检测方法；另一种是基于Haar-like特征配合局部单元强化图的定位方法。通过对双眼和嘴部定位，可以将其他与疲劳相关的面部单元都定位出来。第三，针对疲劳发生时的显著表现提出了两种疲劳检测方法：第一种方法关注疲劳发生时眨眼过程明显变慢的显著特征。通过分析清醒与疲劳眨眼过程的频域差异，找到能够最有效区分清醒和疲劳状态眨眼过程的特定频带并在该频带上进行疲劳指数计算，以此给出驾驶者的疲劳程度。这种方法从新的视角描述疲劳的眼部特征，在一定程度上弥补了Perclos方法的不足。第二种方法关注打哈欠这一重要疲劳表现。首先针对以往研究存在的问题，对嘴部的状态进行更准确的划分，分成沉默、交谈和打哈欠三种状态。同时，指出要有效对打哈欠进行识别，必须将打哈欠作为一个过程进行分类，通过引入序列特征，有效地解决了哈欠分类问题。第四，针对疲劳发生时的一般表现提出了基于多观察区域集成学习的疲劳状态识别方法。疲劳早期表现往往并不明显，但是，如果从与疲劳发生相关联的区域进行观察的话，疲劳的表现相对集中，变化规律也更加清晰，同时降低脸部冗余信息对于分类器学习的干扰。对每个观察区域建立一个C4.5基分类模型，每个基模型由于能力有限，未必能够给出准确的决策，然而，如果能够合理地综合各个基模型所提供的信息，就会形成一个全面的证据支持，以集成学习的方式给出驾驶者状态的分类结果更加准确和稳定。第五，通过分析C4.5决策树适合于疲劳数据集分类的本质，发现规则学习分类器更适合于高维非线性特征空间稀疏样本的分类。于是设计了一种具有更好的泛化能力的规则学习分类器，称之为邻域覆盖约简分类器。这一分类器集成了粗糙集所固有的对任意概念的强大逼近能力，辅以合理的覆盖约简和剪枝策略，所得到的规则集简洁且紧凑，并且具有相对于C4.5更好的泛化和分类能力。将这个分类器应用到驾驶疲劳状态的分类任务中，实验表明，所提出的分类器性能同时还优于其他一些经典分类器，包括NEC、NN、LVQ、LSVM、CART、以及Jripper。在提出邻域覆盖约简分类器的过程中，相应地建立了一套有关相对覆盖约简的理论框架，补充和完善了覆盖粗糙集理论体系。