驾驶员疲劳是导致道路交通事故发生的重要原因,近年来已成为交通安全领域研究的重点。由于视觉技术存在检测特征直观明显、可实现非接触性测量等优点,目前已经成为研究的热点和主流。但在驾驶员疲劳水平评估方面大多采用一种或几种特征开展相关研究,其应用范围囿于特定工况下的特征检测有效,且没有考虑驾驶员的个体差异,具有一定的局限性；此外,驾驶员疲劳程度不能通过仪器检测指标直接获取,需要通过疲劳时所表现出的某些特征来进行推断,故通过单一特征检测表征疲劳程度评价结果,其指标阈值确定缺乏客观量化。因此,基于多特征融合算法提高驾驶员疲劳状态监测评估的可靠性具有重要意义,相应工作结果可为驾驶员疲劳预警装置开发提供必要的理论分析基础与技术支撑作用。基于贝叶斯网络的相关理论,本文对驾驶员疲劳状态监测进行了相关研究,具体所做工作如下：1.为构造驾驶员疲劳状态评估模型,本文首先对疲劳成因及疲劳时所产生的各种特征进行了系统分析,选择睡眠时间、昼夜节律、天气作为影响疲劳产生的重要因素,PERCLOS、AECS、PERLVO、PERTITL、PNS、SDLP作为表征驾驶员疲劳状态的重要参数,利用因果关系构建出驾驶员疲劳评估模型拓扑结构,针对模型结构特点,依据专家经验对情境因素节点的参数进行了分析确定；对于模型中剩余节点的参数,本文基于模拟器实验数据库,利用最大似然估计参数学习算法确定其条件概率。2.为获得给定条件下驾驶员疲劳节点的概率,本文基于联合树算法对驾驶员疲劳状态评估模型进行了详细的推理。首先,将驾驶员疲劳评估模型转化为联合树,然后通过联合树消息传递来进行疲劳概率的确定。3.为验证所构建驾驶员疲劳评估模型的准确性,本文进行了相关的实验研究,并基于实验数据分析了疲劳对面部视觉特征及各操作特性的影响程度。确定了PERCLOS参数是疲劳评估中非常重要的显式特征,同时分析得出眼部特征可作为未来车载驾驶员疲劳预警装置实用化进程中的一个重要指标进行相关研究工作