随着人民生活水平的提高和汽车产业的发展,道路上的汽车数量不断上升,每年发生的交通事故数不胜数。众多研究表明,疲劳驾驶是引发交通事故、造成道路安全隐患的主要原因之一。因此,研究在线检测驾驶员疲劳状态的方法,对保障交通安全具有显著的意义。本文设计了基于互补集合经验模态分解(Complementary Ensemble Empirical Mode Decomposition,CEEMD)和神经网络的非接触式疲劳驾驶检测系统。首先根据微多普勒信号中含有的心跳信号和呼吸信号设计硬件系统,将初始信号经过阻抗匹配、差分放大、有源带通滤波、电平搬移和模数转换处理之后,生成通带在0.1-5Hz的数字雷达信号。然后针对雷达信号的特点,分别利用传统的FIR和IIR数字滤波器与基于CEEMD的滤波算法对信号进行分解,并比较了三种方法的优缺点。鉴于前两者存在较大的邻频噪声和相位失真,不利于信号特征的提取,故本文采用CEEMD算法分解信号,极大地保留了初始信号关于心跳和呼吸的时域特征和频域特征。最后利用神经网络将分解得到的信号作为特征输入,将基于面部视频的专家评定法得到的疲劳状态作为输出,训练数据集。本文分别研究了反向传播(Back Propagation,BP)神经网络和极限学习机(Extreme Learning Machine,ELM)两种算法。由于传统神经网络存在一定的局限性,因此论文设计了动量优化BP神经网络(Momentum Optimization Back Propagation Neural Network,MOBPNN)和差分进化极限学习机(Differential Evolution Extreme Learning Machine,DEELM)进行疲劳水平的判别。本文搭建了微多普勒信号的采集平台,通过模拟驾驶实验,验证了系统的可行性。实验结果表明,搭建的系统能有效检测实验人员的疲劳状态,DEELM的最佳检测精确度为82.1%,与MOBPNN和经典的ELM相比,其在疲劳水平检测方面具有更好的性能。