随着经济的不断发展,车辆保有量逐年增加,由此引发的交通事故愈加严重,给驾驶员和行人的财产以及生命安全带来巨大的潜在威胁。相关研究表明,疲劳驾驶是造成交通安全问题的重要原因之一。在新型冠状病毒肺炎（COVID-19）全球肆虐的大背景下,驾驶员需要经常佩戴口罩,这给疲劳驾驶检测任务带来了新的挑战。综合国内外对疲劳驾驶检测的研究现状,目前可归纳为三种类型:基于驾驶员生理特征的检测方法、基于车辆行为特征的检测方法和基于驾驶员面部特征的检测方法。综合比较,基于面部特征的疲劳检测方法具有实时性、准确率高及成本低等优点,在计算机技术与AI的快速发展中日益成为主流。另外,在COVID-19疫情的大背景下,驾驶员佩戴口罩会丢失部分面部特征。因此,本文提出一种基于卷积神经网络（Convolutional Neural Network,CNN）的驾驶员疲劳状态检测方法。主要研究内容如下:（1）确定总体方案。根据需求分析,设计口罩遮挡下的驾驶员疲劳检测总体框架,包括图像获取、面部检测,口罩遮挡识别、特征定位与状态分析及疲劳状态检测。当设备检测到司机处于疲劳状态时,提醒其停车休息,保障自身与乘客安全。（2）口罩遮挡下的人脸检测算法。首先,通过摄像头获取驾驶员视频,采用MTCNN算法进行人脸检测,该网络结构具有设备要求低、易训练和准确率高的优点;然后,使用Mobile Net-V2算法进行口罩遮挡识别,该算法具有易移植、运行时间短和识别准确率高等优势。（3）面部特征定位及状态识别。首先,通过Shi-Tomasi算法进行眼睛角点定位;然后,通过人脸边框和眼角坐标定位眼部和嘴部区域;最后,截取并校正眼部和嘴部图像,将其作为输入传送到基于卷积神经网络（CNN）构建的眼睛状态识别模型（EOCR-Net）和嘴巴状态识别模型（MOCR-Net）中,识别眼睛睁开还是闭合和嘴巴张开还是闭合。在分类器训练过程中,通过诸如旋转、放大缩小、光照变化等数据增强方法来扩充眼睛和嘴巴样本数据集,防止因样本过少造成准确率低和稳定性差的情况。（4）驾驶员疲劳状态分析。识别出眼部和嘴部状态后,融合打哈欠参数、眼睛闭合时间百分比参数（Percentage of Eyelid Closure over the Pupi I over Time,PERCLOS）以及持续闭眼时间三个参数判断驾驶员疲劳程度,并进行了实验。实验结果表明,本文提出基于深度学习的疲劳驾驶检测方法,当系统检测到驾驶员处于疲劳状态时,能够及时给予提醒,且能在保证实时性的前提下达到较高准确度。