经济的发展带来了社会各方面的发展，汽车日益成为人们代步的首选交通工具。汽车持有量的不断高升，伴随着公路交通事故增加，特别是恶性交通事故发生率居高不下。研究表明驾驶员的精神状态会直接影响其感知和判断，不良的驾驶状态是导致重大交通事故的主要诱因之一。因此，研究驾驶员的驾驶状态监测，对于改善道路安全以及减少不必要的交通事故、人员伤亡具有重要的意义。　　基于生理信号可以实现对人体生理、心理状态的直接检测，相比主观量表和行为学方法，生理信号监测更具实时性及客观性，受人为因素和环境任务的干扰比较小，越来越为研究者所重视。本文旨在通过生理信号来研究驾驶员在执行不同驾驶任务时压力负荷的变化。　　单一生理信号在人体状态检测方面尚存在信度不高、可靠性差等问题，此外人体状态的复杂性、驾驶场景的不确定性以及驾驶员的个体差异性使得这些问题更加突出。基于多源生理信号的驾驶员状态监测充分考虑了各信息源的相关性和互补性，在很大程度上弥补了单一信号监测的不足，已成为驾驶状态在线检测的有效技术手段之一。本文主要围绕压力状态下驾驶员生理信号的特征分析、特征提取、最优特征子集筛选、信息融合及状态识别等核心问题展开研究，建立了驾驶者压力负荷的连续检测模型并进行了实验验证。以下是研究的具体内容:　　1.针对心电、皮肤电、呼吸等信号受到噪声干扰的具体情况不同，选择合适有效的预处理方案。针对心电在采集过程中容易受到高频噪声污染的特点，采用了小波分析和小波重构预处理信号。对于皮电信号，本文设计了低通滤波对其进行预处理。对于呼吸信号，采用了经验模态分解方法来解决基线漂移显著的问题。　　2.生理信号在时域、频域、小波域等包含了丰富的特征信息，但是并不是所有特征都能对识别驾驶者压力负荷有所贡献，有些特征甚至会降低判别精度，所以寻找最优的特征组合至关重要，不仅可以缩短学习时间还可以节省计算成本。本文通过改进稀疏贝叶斯学习方法(Sparse Bayesian Learning，SBL)来实现特征选择，然后利用主元分析法(Principal Components Analysis，PCA)对于选取特征进一步降维，为后继的分类识别提供了精简的优质特征组合。　　3.比较了两种机器学习方法，支持向量机(Support Vector Machine，SVM)和极限学习机(Extreme Learning Machine，ELM)，以及它们的各种核函数在驾驶员压力负荷识别中的性能，对于单次驾驶（Inner-drive）和多次驾驶(Cross-drive)分别进行建模、测试和分析。　　4.基于多源生理信号建立了驾驶者压力负荷水平的连续检测模型，在保证较好识别精度的同时保持较快的计算速度。　　本文借助多通道生理信号更加可靠和精准地评估了驾驶员的压力等级，并通过高效的特征选择方法以及基于核函数的分类器提升了模型的判别效率和准确率，预期本文的研究成果在车辆安全辅助系统中具有较好的应用前景。