随着道路交通事业的发展以及汽车保有量的持续增长,道路交通事故,特别是由于驾驶员因素引发的交通事故居高不下,人、车、路的矛盾日益突出。驾驶员疲劳检测系统是利用视觉信息等技术检测驾驶员的面部,并进行跟踪,当驾驶员出现疲劳、注意力不集中等危险信号时,提醒驾驶员休息,防止疲劳或者危险驾驶,而驾驶员面部检测是该系统的重要组成部分。本文在分析和总结现有的驾驶员面部检测技术的基础上,重点探究了基于深度卷积神经网络的驾驶员面部检测及核相关滤波的驾驶员面部跟踪算法,并提出了多层卷积特征连接的检测方法以及在线重检测的核相关滤波跟踪方法。有效精确的图像块生成是驾驶员面部检测速度以及精度的重要因素,为使算法能够精确,采用传统多尺寸滑动窗口的滑窗算法产生的图像块数量十分巨大,从而使得驾驶员面部检测的速度很慢。本文利用区域建议网络进行图像块的生成,并为了使得深度卷积神经网络能够提取更加丰富的特征,首先采用L2正则化方法对特征图进行正则化,并将正则化之后的特征图谱进行堆叠,让卷积神经网络能够学习多尺寸下驾驶员面部特征,从而使得卷积神经网络能够适应不同尺寸下的驾驶员面部检测,保证在不同尺寸下的驾驶员面部检测的精度。设计一种基于核相关滤波的驾驶员面部跟踪方法,以驾驶员的面部位置以及外接的矩形框作为跟踪的分量,对驾驶员的面部进行状态预测。针对驾驶员面部在跟踪过程中容易受光照、遮挡、变形等影响,提出了在线学习的驾驶员面部检测方法,通过在线建立样本库,训练在线随机厥分类器,对驾驶员面部进行二次检测,从而保证跟踪的准确性。