随着汽车保有量的逐渐增多,全球交通事故的发生数一直居高不下,其中30%是由于驾驶员非正常驾驶所导致的,比如疲劳驾驶,分心驾驶等行为,而且这一比例在重大交通事故中更是急剧增大。在自动驾驶技术还无法大规模普及的今天,优先发展辅助驾驶是必然趋势,所以展开对驾驶员监控系统（Driver Monitoring System,简称DMS）的研究可以有效避免或者减少交通事故的发生,对保护驾驶员和乘员的生命安全有着非常重大的实际意义。基于以上认知,本文研究基于疲劳状态和分心状态检测的驾驶员监控系统来对驾驶员的非正常状态进行监控,保障行车安全。本文的主要工作内容如下:首先,基于采集到的驾驶员面部图像,根据人脸检测算法的需要完成了灰度化、高斯滤波、对比度增强等预处理,并对各种人脸检测算法进行了归纳总结,完成了Haar+Adaboost和HOG+SVM两种人脸检测分类器的训练,通过两个数据集分别对两种方法进行了仿真测试,随后选取性能更加优越的基于HOG+SVM的方法进行人脸检测。其次,采用ERT算法完成了对人脸特征点的定位,以此为基础对驾驶员的眼部（PERCLOS值、眨眼频率等）、嘴部（打哈欠频率）和头部（头部姿态）疲劳特征完成提取,随后提出了一种基于面部多特征融合的疲劳状态检测方法,实现对各种复杂条件下驾驶员疲劳状态的实时检测,检测准确率为92.0%。然后,对传统的基于图像梯度的瞳孔中心定位算法进行改进,实现了对瞳孔中心的准确定位,依据驾驶员瞳孔中心坐标和头部姿态完成驾驶员视线区域估计,并通过前方道路图像完成对危险目标的检测、筛选以及区域锁定,随后提出了一种基于驾驶员注视区域和危险目标所在区域的分心状态层级检测方法,实现对驾驶员的分心状态的实时检测,检测准确率为91.6%。最后将疲劳状态检测模块和分心状态检测模块相结合,构成一个完整的驾驶员监控系统。通过实车试验对整个系统进行测试,试验结果表明本文提出的驾驶员监控系统性能优良,对于驾驶员的疲劳状态和分心状态可以可以准确判断。在一般的检测方法存在失效的情况下,如头部偏转较大、光照条件不佳、佩戴眼镜墨镜等特殊情况,本文提出的驾驶员监控系统依旧可以高效工作,并且两个核心模块对于驾驶员状态的检测过程都具有一定的冗余性,当单一特征受到干扰无法准确识别时也可以依据其他特征进行准确识别,提高了系统的鲁棒性。