近年来,中国经济的快速发展导致汽车数量逐年增加,道路交通事故的频率也随之上升。其中,由疲劳驾驶引起的事故造成的死亡人数更多,财产损失也更大。传统的疲劳驾驶检测方法可以通过获取车辆的驾驶信息,对比驾驶员的正常驾驶状态进行评估,但这些都容易受到路况等的影响,检测的准确性不高;或者通过收集驾驶员的生理特征进行评估,但成本过高,而且检测设备的磨损会影响驾驶员的正常驾驶。基于深度学习方法的疲劳驾驶检测,可以在不影响司机正常驾驶的情况下达到较高的检测精度。因此,本文利用深度学习的相关理论,构建了一个轻量级的卷积神经网络进行人脸检测,然后得到驾驶员眼睛疲劳的变化特征,用于疲劳驾驶的判断和预警。所设计的疲劳驾驶检测系统可以快速、准确地检测出疲劳驾驶。本文的主要工作有以下几点:（1）将YOLOv5目标检测算法中的骨干特征提取网络替换为轻量级的mobilenetv3特征提取网络,形成轻量级的mobilenet-YOLOv5人脸检测算法,在保证人脸检测精度的同时,提高人脸检测的速度。（2）利用dlib库中的面部特征点检测模型,提取驾驶员的68个面部特征点的坐标,并从中计算出驾驶员的眼睛长宽比（EAR）,根据PERCLOS眼睛疲劳评估标准确定驾驶员眼睛长宽比的阈值,从而进行驾驶员的眼睛疲劳评估。（3）以嵌入式旭日X3派深度学习平台作为疲劳驾驶检测系统的主控核心,通过摄像头获取图像,构建疲劳驾驶检测系统。实验结果表明,通过嵌入式旭日X3派深度学习平台,使用疲劳驾驶测试集对人脸检测算法进行了测试;在标准的PERCLOS眼疲劳评估测试中,眼疲劳阈值EAR被设定为0.97;在真实的汽车上搭载本验证论文的疲劳驾驶检测系统,系统可以正常运行。