近年来由于驾驶员的疲劳状态驾驶引发了许多的交通事故，驾驶员的疲劳驾驶越来越受到大家的关注，交通安全是人们普遍关心的问题，其中的关键问题就是有效地检测驾驶员疲劳状态，并进行预警。　　本文对驾驶员疲劳状态检测技术进行了研究，在基于疲劳检测的研究现状下，采用了利用视频图像处理的方法，主要是通过对人脸表情信号的分析来进行驾驶员疲劳状态的判断。先是通过对视频帧进行图像预处理，然后利用Adaboost算法进行人脸检测，在检测到的人脸区域进行眼睛状态分析，这里用到了现在最流行的PRECLOS准则。对嘴巴状态的分析利用图像处理的方法判断，最后融合眼睛和嘴巴的状态信息，判断驾驶员是否疲劳。　　对于疲劳检测的研究有许多的专家学者投身其中，产生了非常多的成果。结合前人的研究成果下，本文的工作主要有以下三点:　　a.利用Adaboost算法进行眼睛和嘴巴特征信息的定位。已有的一些研究对于这些特征信息的定位基本上都是采用了图像处理的方法，比如:基于边缘检测的特征定位、基于统计肤色模型和面部几何模型的特征定位、基于霍夫变换的定位等。而这些方法相比Adaboost算法不够精确和快速。本文在利用Adaboost算法检测人脸的基础上，分别建立眼睛和嘴巴的样本库，训练出眼睛和嘴巴的分类器，然后利用算法对人脸进行眼睛和嘴巴进行定位。　　b.结合Adaboost算法的良好性能，把此算法用于检测眼睛的状态。利用眼睛睁开和闭合的不同状态，分别训练出睁眼和闭眼分类器，从而利用Adaboost算法直接检测出眼睛是睁开还是闭合的状态，而不需要对眼睛进行特征定位。对眼睛状态的判断一般采用几何分析计算眼睛的闭合度来区分眼睛的状态，此方法需要先定位到的眼睛区域，再对眼睛进行状态分析，而本文的方法是进行以检代测，方法简单直接，提高了检测性能。　　c.对眼睛状态信息和嘴巴状态信息进行决策层融合，从而进行驾驶员疲劳状态的判断，相比其它研究单一特征信息的疲劳状态更加的可靠和精确。　　文中对Adaboost算法和PRECLOS准则进行了详细的介绍，结合Adaboost算法成熟和精确的特征把它应用于眼睛状态的检测和嘴巴的定位，最终对眼睛和嘴巴的状态信息进行融合，对驾驶员的疲劳状态进行判断，实验结果表明，该文的方法在对驾驶员的疲劳状态判断时有很好的准确性和实时性，可以用于实际的驾驶过程中。