交通安全是与国计民生直接相关的热点问题,其中驾驶疲劳作为导致交通事故多发的主要问题之一,受到了人们的广泛关注。驾驶疲劳会导致驾驶员精力不集中、肢体反应迟钝、对突发情况的应变能力下降,极易引发交通事故。据统计,由驾驶疲劳所造成的交通事故约占事故总数的20%,占重特大交通事故的40%,占交通死亡率的80%。由此可见,驾驶员疲劳已经成为交通事故的主要隐患,而且不容易被察觉和监测。为此,大量学者对驾驶疲劳问题展开了研究,并取得了一定的研究成果。为了解决驾驶疲劳识别过程中所存在的信号源单一、识别精度低、实用性能差等不足,本文对基于眼动与脉搏信息相融合的驾驶疲劳识别算法进行了研究。该算法以眼动和脉搏两种信息作为研究对象,分别对两种信息进行疲劳特征提取,并以极限学习机作为分类器,对驾驶员是否处于驾驶疲劳状态进行识别。本文的主要工作包括：1)对驾驶疲劳的形成原因、社会危害、研究现状,以及当前研究中所存在的问题进行了分析和总结。2)对眼动信息进行处理,深入分析了混合积分投影和mean-shift两种算法的原理,设计了基于混合积分投影与mean-shift相结合的眼部疲劳状态特征提取方法。该方法包括背景去除、人眼定位、人眼分割和特征计算四个步骤,能够综合考虑人眼的灰度信息和位置信息,准确地提取出PERCLOS、眨眼频率和平均闭合时间三个眼动疲劳特征。3)对脉搏特征进行处理,通过类比于心电的疲劳特征,选择主波间期均值、主波间期标准差、高低频功率比三个参数作为脉搏疲劳特征,对脉搏信号与疲劳状态之间的联系进行了研究,证明了脉搏信号可以应用于驾驶疲劳的识别,且具有较好的识别效果。4)设计了基于极限学习机的驾驶疲劳识别算法,通过极限学习机对所提取的眼动和脉搏特征进行融合,并对驾驶员是否处于疲劳状态进行识别。通过设计实验,采集被试者在模拟驾驶环境中的眼动和脉搏数据,对算法的实际性能进行验证。实验结果表明,该算法具有良好的识别率。