随着社会经济的发展，汽车的数量越来越多，为人们提供各种生活便利的同时也给出行安全带来了巨大压力。从对各类交通事故数据的统计调查中发现，由于驾驶员疲劳而造成的交通事故逐年增加。因此实时检测驾驶员的疲劳状态显得尤为重要，急需开发一个驾驶员疲劳监测系统，能够准确检测并及时预警，减少交通事故。当前国际上有不少研究疲劳检测的机构，正在开发的检测系统也有很多，但大多数实用性不高，检测的准确率和效率不高，要普遍使用还需很长时间发展。　　本文对比了国内外疲劳检测的方法，分析了各自的优缺点，设计了一种基于视觉图像、非侵入、快速有效的检测方法。该方法利用图像处理技术对驾驶员人脸进行图像分析，根据人脸特征点提取最能反映疲劳特征的眼睛和嘴巴信息，结合改进的PRECLOS和模糊神经网络系统对驾驶员的疲劳状态进行检测与预警，在识别率和效率方面取得了很好的效果。　　本文的主要研究内容如下：　　（1）详细分析了当前国内外研究驾驶员疲劳检测的方法，通过检测精度和实用性的对比，决定采用视觉图像方法进行人脸检测实现疲劳判断。　　（2）研究了Haar级联算法与HOG级联算法，并做了对比实验，且对人脸检测算法进行了改进，实验表明改进的人脸检测算法能够实现人脸快速准确检测。　　（3）研究了一种基于人脸特征点的疲劳特征提取算法，即回归树级联算法。回归方法用于学习一个回归函数，将图像外观特征映射到目标形状。通过梯度提升算法学习每个回归函数，并将残差拟合到回归树，然后用级联方法解决形状估计的精度问题。回归树级联能够实现从稀疏图像到人脸特征点的精确定位。　　（4）提取人脸特征点信息，通过改进的PRECLOS算法计算眨眼、一次眨眼时间、打哈欠和一次打哈欠时间四个疲劳特征参数，输入到模糊神经网络系统中，经模糊化处理，由模糊规则判断驾驶员疲劳状态。　　经过实验室模拟实验表明，本文研究的基于人脸特征点的驾驶员疲劳检测算法具有较好的识别率和运行速率，能够达到实时性和实用性要求，为以后更深入的算法研究和硬件实现打下基础。