近年来,疲劳问题引起了越来越多的关注,尤其在驾驶领域,由于疲劳驾驶导致的交通事故不断增加,对人们的生命健康以及财产带来了极大的危害,如何有效且准确的检测疲劳状态成为了众多研究人员关注的热点。因此,对于疲劳检测方法的研究有着重大的意义。传统的疲劳检测方法还局限于接触式检测方式,相比于接触式疲劳检测方式,非接触式疲劳检测方法具有非侵入性、易使用、成本低的优势。目前大多数非接触式疲劳检测方法,根据面部或肢体行为特征进行疲劳判断,在行为特征明显的时候,具有较高的判断准确率,但在行为特征不明显或出现遮挡等干扰的情况下,这些方法的效果往往不如人意。针对上述情况,本文提出的方法有别于大多数使用行为特征进行疲劳检测的方法,本文基于人脸血流信号而非行为特征对疲劳检测进行深入研究。本文使用人脸视频数据集作为研究对象,重点研究了非接触式生理疲劳检测方法,并与深度学习技术相结合。本文希望通过非接触式、可靠性强、泛型好的疲劳检测算法,提升疲劳检测任务的准确度。本文主要有以下部分组成:首先,本文介绍了人体疲劳检测相关背景,研究意义。其次,本文分别介绍了血流信号的基础理论以及血流成像方法的研究手段和研究进展。然后,基于非接触式的成像光电容积描记法,提出了基于血流的等效映射图谱成像数据融合框架,将血流等效图谱与人脸图像进行融合,并结合深度卷积神经网络在60人的UTA-RLDD(UTA Real-Life Drowsiness Dataset)疲劳视频数据集上进行试验并取得了较好的结果。本文尝试了多种卷积神经网络,并进行对比和分析,在疲劳和非疲劳的2分类检测任务上,取得的较高准确率为88%。结果表明,该方法在疲劳分类问题上具有不错的效果,尤其在行为特征并不明显的情况下,为疲劳检测提供了一种新的手段。