在安全驾驶领域,驾驶员的身心状态对于交通安全至关重要。检测异常驾驶分为接触式检测和非接触式检测,接触式检测利用各种设备检测人体生理信号来判断驾驶员状态,非接触式检测常用的方法是通过网络摄像头获取驾驶员面部信息进行检测。图像检测中常用的方法是通过检测出人脸关键点位置,然后分析驾驶员嘴巴动作来确定是否打哈欠,结合眼部闭合程度来判断是否疲劳。因此本文提出一种级联卷积神经网络的方法检测出驾驶员面部的68个关键点。但是这种检测效果有一定的局限性,并且没有充分利用到人脸的丰富信息。因此针对以上问题,本文提出了基于面部表情的驾驶员状态检测分析方法。人脸表情是人类情感表达的最重要、最直接的载体之一,通过面部表情的分析,可以推测出很多有效的信息,因此表情识别是一个很有价值的研究方法;目前较好的表情识别算法大都是基于卷积神经网络实现的,为了能够提高表情识别精度,常用的方法是增加卷积神经网络深度,但是单纯的增加网络深度会导致参数数量巨大,在硬件配置一般的环境中难以满足实时性的要求。针对难以满足实时性的问题,本文提出一种改进的卷积神经网络模型,通过对卷积核进行不规则的变换,不仅能够在网络深度增加的情况下减少参数,还能够确保检测的准确度。本文的网络分为三个卷积层、一个池化层、四个改进的inception层,改进方法为让其内部的卷积核尺寸进行变形,其中每个改进的inception层之后有一个池化层,最后通过softmax分类输出结果。该神经网络还可以通过inception的增减,适用于不同的硬件场景,扩展了应用范围。本文与目前主流的模型在表情识别上做了对比,在对比过程中对所采用的模型进行了一定程度的修改以适用于本文的硬件环境,所采用的数据库是当前主流的表情数据库,实验结果证明了本文提出的网络模型在保证表情识别准确率的前提下,可以较大程度的精简模型大小。最后本文搭建了用于实验的半物理仿真平台,并在该平台上进行了基于驾驶员面部关键点的状态检测实验和驾驶员的面部表情识别试验,最终证明了基于面部表情的驾驶员状态分析方法能够很好的适应于驾驶员状态检测。