疲劳检测技术已经成为驾驶员行驶过程中的重要的检测技术,可以有效的对疲劳驾驶进行检测和提示。现有的疲劳检测根据驾驶员面部表情的物理状态进行疲劳判断。传统基于机器视觉的人脸疲劳判断和识别无法表达出各个疲劳特征间的关系。从输入信息处理的角度,深度学习特点是神经网络可以对数据逐层提取所需特征。深度学习可探究驾驶员疲劳和面部疲劳特征的非线性联系。因此,本文提出一种基于神经网络的疲劳检测方法。首先,本文提出了一种基于驾驶员面部表情分析的非侵入式疲劳检测方法。该方法通过多个面部表情参数来判断驾驶员的疲劳水平。该方法首先采用Viola-Jones人脸检测方法,以确保视频中驾驶员存在。通过空间模糊C均值(SFCM)聚类对嘴唇进行搜索。在人脸检测窗口上部进行瞳孔状态检测。将嘴巴和眼睛的状态传递给模糊专家系统(FES)对驾驶员的疲劳状态进行判断。该方法对于不同用户的泛化能力强,且判断准确可靠。其次,将模糊专家系统(FES)判断的驾驶员疲劳的图片作为疲劳置信的训练样本,用该疲劳置信的样本训练CNN神经网络,CNN神经网络可对驾驶员面部非线性疲劳进行提取,通过核卷积处理图像的隐藏信息和反向调参训练出CNN神经网络疲劳检测模型。真实驾驶环境里对神经网络性能进行测试,结合疲劳判别具体实现工况,对后续研究方向进行展望。最后在实际驾驶操作中,由于驾驶员的姿态,光照改变和背景变化等影响,对于人脸检测和定位有着不小的挑战。我们提出一个深度级联的CNN神经网络框架(MTCNN),该框架是分成了三个阶段的深层循环网络,另外,在学习过程中,我们提出了一种新的在线硬样本挖掘策略,该策略可以在不需要人工选择样本的情况下自动提高性能。在具有挑战性的FDDB和更宽的人脸检测基准以及AFLW人脸对齐基准上,我们的方法在保持实时性的同时用Precision-Recall曲线验证了该方法性能。