在列车运行的过程中,司机需要保持固定坐姿,精神需保持集中,这个过程极易使人疲劳。机车司机处于疲劳状态下难以集中注意力,反应不及时,这将给行车安全带来隐患。在对列车正常运行不造成干扰的前提下,无接触的快速准确的机车司机状态检测对于保障行车安全是重要的。虽然当前对于无接触式的机车司机疲劳状态检测的研究有很多,但这些研究对于人体姿态信息的利用还相对较少,没有挖掘出人体姿态信息和司机疲劳状态的深层次关联。本文以基于人体上身姿态的司机疲劳状态检测问题为研究对象,利用实验室虚拟仿真环境,面向机车司机驾驶场景,针对人体姿态与疲劳的深层次关联,提出了两种基于深度学习的疲劳状态检测方法及一种双流融合网络模型。具体研究内容包括以下几个方面:（1）针对司机疲劳状态检测问题,对国内外研究成果进行分析。介绍了人体姿态检测框架高分辨率网络。说明了深度置信网络（Deep Belief Network,DBN）,长短期记忆神经网络（Long Short-Term Memory,LSTM）基本理论,分析了人体疲劳的评价指标。明确本文的研究内容,奠定本文研究的理论基础。（2）针对数据结构特点,构建了善于提取高层次分布特征的DBN模型和能够较好利用数据时空信息的LSTM模型用于基于人体上身姿态的机车司机的疲劳状态检测,并基于整理后的数据对这两个模型的效果进行了分析。（3）提出基于遗传算法改进的粒子群算法对DBN模型和LSTM模型的网络结构进行调优的方法,将优化后的模型与一些传统模型进行了对比分析以突出它们在准确率、召回率、精确率、F1值方面的优势。之后进一步研究了一种融合DBN模型和LSTM模型的双流融合网络模型,对该模型进行结构设计、参数调优与训练,以及对比测试与分析。（4）面向机车司机疲劳状态检测软件实际应用问题,根据软件需求设计了六大功能模块。基于Python编程语言,开发了架构于云平台的基于人体上身姿态的机车司机疲劳状态实时检测系统,并对软件的功能进行验证。研究结果显示,在实验室环境下,本文提出的双流融合网络模型的准确率达到95.67%,宏F1值达到95.70%,整体效果相比其他模型及其他司机疲劳状态检测方法具有显著的优势且模型鲁棒性也很好,能够较好的挖掘出人体上身姿态和司机疲劳状态间的深层次关联,适用于解决基于人体上身姿态的机车司机疲劳状态检测问题。图66幅,表13个,参考文献68篇。