随着全球经济的飞速发展,加快了汽车行业的前进步伐,使得汽车的数量迅猛增加,而驾驶汽车时的人身安全相当重要,因此汽车的安全性能也日益受到人们的重视。现代车辆制造技术的快速发展,车辆本身的安全因素造成的交通事故所占比重越来越小,驾驶员的个人因素已成为交通事故发生的主要原因。因而,对驾驶员进入疲劳驾驶时的状态进行实时监测和有效预防,能够大大降低因驾驶员疲劳而导致的交通事故发生概率,进而保护人身财产安全。由此可见,本文的研究具有很大的社会和经济意义。首先,本文对国内外驾驶疲劳检测技术的研究现状、研究成果以及发展趋势进行了研究和总结。论文主要研究了如何在驾驶疲劳的检测中根据多种疲劳特征进行综合判断。其次,对生理信号进行了详细介绍,通过对各生理指标在疲劳与非疲劳状态下的变化,对能够有效表示疲劳过程和程度的心电信号和脑电信号特征值进行了初步的明确。本文在对驾驶员的面部特征进行详细研究的基础上,介绍了Adaboost算法这种经典的人脸识别算法,利用此种方法检测人脸并结合三庭五眼的人脸标准结构,对人眼的大致区域进行了初步定位,然后进一步使用此种算法进行大致区域范围的人眼检测。在人眼成功定位的基础上,将眼睛轮廓近似看作为椭圆数学模型,根据椭圆模型的长短轴计算眼睛睁开百分比,进而通过该模型计算PERCLOS值与眨眼时间、频率等参数。对正常状态和驾驶疲劳状态下方向盘运动变化特征对比分析,得出判断驾驶员是否处在驾驶疲劳状态下的两个主要特征——方向盘修正频度和修正幅度。接下来,本文对信息融合技术的基本原理、功能结构模型以及其他相关方面进行了研究和总结,在分析和比较信息融合常用算法的基础上,提出了在实际应用中融合算法选择需要考虑的问题。最后,本文对粗糙集理论进行了深入的研究,对粗糙及理论的具体应用方法进行了分析。分析条件属性离散归一化的方法与策略,得出检测特征信息和驾驶员疲劳程度的关系。由数据约简建立决策规则,通过这个决策规则判断驾驶员的疲劳程度。在多源数据融合的基础上,根据驾驶疲劳检测的特殊性,采用合适的信息融合结构,及粗糙集理论,融合多种疲劳特征信息,对驾驶疲劳进行综合判断。