近些年来,随着我国道路基础设施的快速发展和汽车保有量的急剧增加,道路交通事故发生率呈现出显著上升的趋势,道路交通安全已然成为影响社会经济发展的重要问题。而这些交通事故中与疲劳驾驶有关的事故超过半数以上,因而开展对驾驶疲劳检测方法的研究具有重大的现实意义。本文为了有效地检测出驾驶员驾驶疲劳状态和减少因疲劳驾驶而引发的交通事故,提出了一种基于转向盘转角特性的驾驶疲劳检测方法,并在该方法的基础上开发出基于MATLABG的驾驶疲劳检测软件。　　 首先,本文在综述了国内外疲劳检测技术方法和原理的基础上,针对于目前大多数检测方法的研究环境只限于室内虚拟驾驶环境的缺陷,设计实施了真实道路环境下的汽车行驶实验,得到了不同主观疲劳评价等级下的转向盘转角数据。并对典型时段下的转向盘转角数据进行简明分析,得出了在不同疲劳状态下转向盘转角特性表现出明显差异的结论,从而也就证明了转向盘转角特性能够应用于驾驶疲劳检测问题之中。　　 其次,本文在时序分析方法的基础上,选取AR模型提取正常驾驶状态、准疲劳驾驶状态、疲劳驾驶状态三种不同状态下的转向盘转角信息的特征向量。将该特征向量和对应的驾驶疲劳状态作为样本数据,应用支持向量机算法建立起基于SVM的驾驶疲劳检测模型,并对该模型进行仿真实验,结果显示该模型对测试样本的检出率为86.67%,这表明该模型能够有效地检测出驾驶员驾驶疲劳状态。　　 再次,为了改善模型精度,提高驾驶疲劳检出率,本文将遗传算法与支持向量机结合起来,利用遗传算法全局搜索的优点,将其应用于支持向量机惩罚参数c和核函数参数g优化问题中,从而建立起基于GA-SVM的驾驶疲劳检测模型,并对该模型进行仿真实验,结果显示该模型的检出率为90.00%,相比优化参数前的模型,检出率提高了3.33%,这表明应用遗传算法优化支持向量机参数后,基于GA-SVM检测模型能够更加准确的检测出驾驶员驾驶疲劳状态。　　 然后,为了进一步的提高检测模型的检出率,本文在已有GA-SVM的检测模型的基础上,应用Adaboost算法对其进行外部结构加强,将弱分类器提升为强分类器,从而建立起基于GA-SVM-Adaboost的驾驶疲劳检测模型,并对该模型进行仿真实验,结果显示该模型的检出率为91.67%,相比结构加强前的模型,检出率提高了1.67%,这表明基于GA-SVM-Adaboost的检测模型能够进一步的提高驾驶员驾驶疲劳状态检出率。　　 最后,为了基于转向盘转角特性的驾驶疲劳检测方法能够更好的应用于实践,本文采用MATLAB GUI编写出具有良好人机交互界面的驾驶疲劳检测软件,并对该软件进行具体实例的仿真实验,结果表明该软件简捷实用,能够很好地应用于实际问题之中。