针对传统疲劳驾驶检测模型存在的网络模型较大以及检测精度低等问题,本文提出了一种基于改进YOLOv3的疲劳驾驶检测算法,并通过实验验证了其可行性,最终基于该模型实现了疲劳驾驶监督预警系统以及疲劳驾驶监管系统。本文的主要研究内容及工作如下:1.为了加快模型收敛的速度并且提升检测精度,本文改进了YOLOv3算法的Anchor Boxes以及回归损失函数Io U。利用K-Means++聚类算法结合本文所采用的疲劳驾驶数据集重新聚类,生成了新的Anchor Boxes,优化由于检测数据集不同而带来的收敛速度下降,精度损失等问题。实验结果表明重新聚类的先验框不仅可以加快模型的收敛速度,而且提升了模型检测的精度。之后采用CIo U边界回归损失函数替换原有的Io U边界回归损失函数,以优化Io U回归损失函数存在的梯度消失问题,实验结果表明,改进后的损失函数不仅解决了上述问题,并且提高了算法检测的精度。2.提出了一种新的基于改进YOLOv3算法的疲劳驾驶检测模型ESAYOLOv3（基于EfficientNet、SPP以及注意力机制的疲劳驾驶检测网络）。为了解决Darknet53存在参数量多,计算量大等问题,本文采用EfficientNet替换原有的Darknet53作为ESA-YOLOv3算法新的主干特征提取网络。实验结果表明,基于EfficientNet的检测模型有效的降低了模型的参数量并且模型大小降低了69.7%;同时为了进一步提升该网络对于疲劳驾驶数据的检测精度,本文在改进网络的主干特征提取网络之后添加了DBL×3以及SPP模块,并且在多尺度特征融合之后添加了ECANet高效通道注意力机制。实验结果表明,基于SPP以及注意力机制的ESA-YOLOv3的疲劳驾驶检测算法,有效的提升了网络对于关键特征的捕获能力,并且检测的精度提高了1.85%。3.本文基于ESA-YOLOv3疲劳驾驶检测算法并且结合Python、Pyqt5以及Django框架全面实现驾驶员疲劳驾驶监督预警系统以及交管部门疲劳驾驶监管系统,最后通过功能测试,验证其满足基本使用要求。