随着科学技术日新月异的进步,交通运输业也得到了高速的发展,道路交通事故频发成为危害人身和财产安全的严峻问题。而导致交通事故频繁发生的一个重要因素就是疲劳驾驶。因此,开发一套智能化,高准确率且设备结构简单的实时疲劳检测预警系统具有十分重要的意义。本文在研究大量文献的基础上,选择计算机视觉中的机器学习方法进行疲劳检测。本文研究的驾驶员疲劳检测技术主要包含三个部分：基于Adaboost算法的人脸检测方法改进,人眼疲劳状态的判定,仿真模拟软件的测试。本文人脸、人眼分类器的训练采用基于Haar特征的Adaboost算法。并针对传统Adaboost算法训练耗时的缺点,设计了一种基于特征裁剪的FTAdaboost算法,算法根据特征初始化后的错误率曲线,按预分类能力的强弱对第一个拐点前的特征进行裁剪,进而缩短训练时间。同时在人脸检测时结合肤色空间的方法,判断指定人脸区域是否满足肤色特性来对候选人脸窗口进行验证,降低了误检率。疲劳检测部分,本文对传统检测方法进行改进,由传统的睁闭眼二极化判断,改进为根据不同睁眼程度的多极化判断,能够在驾驶员睡着(完全闭眼)之前检测出疲劳状态,最后通过PERCLOS标准进行综合判定。实验结果表明,本文改进的FTAdaboost算法在保证检测准确率的基础上,训练时间有大幅减少,且在彩色图像的人脸检测中,结合肤色空间的方法有效降低了误检率。与传统疲劳检测方法相比,改进的人眼疲劳检测方法对于各种程度的疲劳状态的检测有更高的准确率,且基本满足实时要求。