随着我国机动车数量的持续增长,道路交通安全问题也日益严峻,道路交通事故逐渐成为造成人类伤亡的主要原因之一,其中57%的灾难性事故与驾驶员疲劳驾驶有关。因此,加强疲劳驾驶检测技术的研究,防止疲劳驾驶行为的发生,对提高道路交通安全具有十分重要的意义。本文主要研究基于信息融合的疲劳驾驶检测方法,通过分析驾驶行为数据的变化特征来判断驾驶员的驾驶状态。首先,本文对国内外的研究现状进行了广泛调研,在总结前人研究的基础上,介绍了驾驶行为与疲劳驾驶的关系以及疲劳驾驶的形成机理和表现特征。并利用模拟驾驶平台开展驾驶实验,设计并完成了疲劳驾驶和正常驾驶两组实验,采集了25名驾驶员在不同驾驶状态下的驾驶行为数据,并对数据进行了整理与筛选,建立了疲劳驾驶样本数据库。其次,分析了驾驶员在不同驾驶状态下的驾驶行为特征。运用统计分析法对驾驶行为参量的时间序列变化趋势、均值和标准差进行了对比分析。并提出采用样本熵对驾驶行为数据的复杂度进行分析。通过研究,明确了驾驶员疲劳驾驶时的操作行为和车辆运行状态的变化特征,最终提取了速度、方向盘转角和车辆横向位置作为区分驾驶状态的特征参量。再次,依据模式分类的基本原理,采用KNN方法建立了基于单参数的疲劳驾驶检测算法,并引入DTW距离对算法进行了改进。研究表明,基于单参数的检测算法对疲劳驾驶的识别准确率总体不高,但采用DTW距离改进算法的识别性能更好。最后,建立了基于信息融合的疲劳驾驶检测算法。提出了一种改进的加权投票法对基于单参数的疲劳驾驶检测算法进行了决策层融合。为与决策层融合方法进行对比,采用BP和GA_BP神经网络对多个驾驶行为特征进行了特征层融合。通过对比分析各疲劳驾驶检测算法的识别准确率与运行效率,发现基于加权投票法的融合算法和基于GA_BP神经网络的融合算法的识别效果均较好,但前者的识别效果更优。