由于近年来因疲劳驾驶导致的交通事故频发，疲劳监测已经成为了一项重要的研究课题。过往的疲劳监测研究中，常常使用驾驶员脸部视频信号、血压、体温等生理信号。相比于这些信号，脑电信号能更加直接、客观地反映大脑的活动情况，有着更高的时间分辨率，且无法人为控制和伪造，因此本文中我们采用脑电信号来进行疲劳监测的研究。在文章的前半部分中我们主要介绍常用的脑电处理流程与方法，并在后半部分中介绍我们提出的数据处理流程及使用到的方法。我们首先通过实验，在被试完成指定任务的过程中，诱发出被试的疲劳状态，并同时记录被试的脑电信号以及任务完成情况。然后我们使用快速傅里叶变换，获得原始脑电信号在各个频带上的功率谱密度特征。为了去除特征中与疲劳无关的噪音，我们使用线性动力系统中的相关算法对特征进行平滑降噪，并将所有特征通过主成分分析提取出主要成分，从中去除与疲劳标记值相关性较差的特征。最后我们扩展剩余特征为动态特征组，使用并联隐马尔科夫模型进行分类，并通过模糊积分进行分类器融合。实验结果显示，该方法可以在三类问题中获得88.85%的分类精度，在四类问题中获得83.09%的分类精度。