随着国民经济水平的快速发展,截止至2021年我国机动车保有量达到了3.9亿辆,但随之交通事故的频发率也在逐年上涨,目前我国交通事故发生率位居世界第一。交通部门公布的数据表明,造成交通事故的主要因素是疲劳驾驶,疲劳驾驶监测成为了交通安全领域的重点研究对象,对保障交通安全以及驾驶员的人身安全有着重要的意义。因此本文提出了一种非侵入式的基于人脸状态特征的疲劳驾驶监测方案,通过高精度的人脸检测及面部特征点定位,实现对疲劳特征参数的数据分析,完成对人脸面部疲劳特征的实时监测,达到对疲劳驾驶实时监测预警的效果。本文研究内容如下:（1）疲劳驾驶监测系统总体设计。根据疲劳驾驶监测系统的功能分析以及需求分析,本文主要采用非侵入式的监测方式进行研究开发,该方法能够极大程度的降低外界因素对系统监测造成的干扰,适用于多种安全监测环境。本文通过USB高清摄像头进行图像采集,结合目前兼容性强的树莓派4B开发平台,实现对驾驶员疲劳状态特征的实时监测评估。（2）人脸检测与面部特征点定位。本文采用基于深度学习的MTCNN人脸检测模型,首先进行MTCNN模型的P-Net、R-Net、O-Net三层子网络的训练,然后实现人脸区域的检测识别,最后利用基于Dlib模型的改进人脸特征点定位算法,实现对面部特征点的定位。（3）人脸面部疲劳特征参数检测。针对目前疲劳驾驶监测研究的相关问题,本文采用监测面部疲劳特征的方法完成对疲劳驾驶的判定,提出了基于眼部纵横比EAR（Eye Aspect Ratio）、嘴部纵横比MAR（Mouth Aspect Ratio）以及头部姿态欧拉角偏移量的疲劳状态检测方法。通过计算相应的疲劳特征值进行疲劳状态量化统计,完成对人脸面部疲劳特征的检测。（4）疲劳驾驶监测系统测试。完成系统环境的搭建以及算法的实现,然后进行系统的整体测试。系统测试表明,本系统具有较高的疲劳检测准确性及实时性,能够提高疲劳驾驶监测的效率,降低由疲劳驾驶导致的交通事故发生率。本疲劳驾驶监测系统从三种疲劳检测角度进行验证,实验结果表明,针对眼部、嘴部以及头部姿态疲劳特征的检测方法都具有较高的准确率,能够保证系统在实际疲劳驾驶监测环境中的应用需求,具有一定的实用价值。