驾驶员注意力分散导致交通事故率居高不下。因此,基于视觉的驾驶员注意力评估成为了汽车主动安全的研究热点。然而,由于真实驾驶环境多变性、驾驶员个体差异性以及面部待提取特征的全面性,驾驶员注意力评估存在诸多难题。因此,本文基于单目视觉的解决方案,对驾驶员面部微动特征深入研究,其中包括疲劳特征,综合头部姿态和瞳孔注视方向的视线特征等,提出了考虑驾驶员本身及驾驶环境的多指标注意力评估系统。本文主要研究内容如下:（1）研究提出了基于驾驶员面部扩展Haar-like和HOG特征实现的压缩跟踪算法。首先提取人脸扩展Haar-like特征,对面部粗跟踪,进而得到面部粗略位置。然后在此粗略位置附近进行精细采样,利用HOG特征精确跟踪驾驶员面部。实验结果表明,本文提出的人脸跟踪算法降低了由目标漂移而造成目标丢失的可能性,并具有较快的处理速度和较高的检测精度。（2）研究提出了基于遮挡免疫网络（OIN）的驾驶员面部关键点定位模型。研究对比了多种相似深度学习模型的不足之处,设计了能够克服光照不均匀及部分遮挡的OIN网络,然后对面部特征点建模提取嘴部和眼部区域。最后在不同数据集上进行实验分析,比较多个关键点定位算法证明了OIN的鲁棒性,同时消融实验的结果表明OIN中每个模块存在的必要性。（3）研究了驾驶员面部微动特征嗅探的方法。提出了基于统计学的参数自适应学习,来确定闭眼阈值及打哈欠阈值等面部疲劳参数。在参数自适应学习的基础上,结合闭眼特征和打哈欠特征确定驾驶员是否处于疲劳状态。瞳孔重构（PuRe）算法检测出瞳孔方位后,采用3D人眼模型的方法得到瞳孔注视方向。将POSIT解算得到的头部姿态和瞳孔注视方向作为改进的随机森林的输入特征,估计驾驶员注视区域。最后实验验证了驾驶员凝视区域预测精度和识别性能方面的有效性。（4）研究提出了驾驶员多指标注意力评估原型系统。首先检测驾驶员是否处于疲劳状态。当驾驶员处于非疲劳状态时,本文提出的多指标注意力评估框架AttenF对驾驶员注意力进行有效的评估。AttenF综合考虑了人眼注视区域、人眼扫视区域数量、行驶路况、大脑延迟以及驾驶任务等多项指标对驾驶注意力的影响,强调注意力与实际驾驶场景的强相关性。最后通过告警决策模块输出注意力检测结果。在自制数据集上,对提出的驾驶员多指标注意力评估原型系统的可行性和准确性进行验证。实验结果表明,该原型系统能够有效地评估驾驶员注意力状态。