随着道路交通日益发达,交通事故的发生率也随之增长,而超过半数的交通意外是由疲劳驾驶引起的,因此,人脸疲劳识别成为了亟需解决的问题。除了制定相关法律法规和加强管制等方式外,通过研究驾驶员的生理特征、车辆的行驶参数能够一定程度减少由疲劳引起的交通事故。现阶段的人脸疲劳识别算法大多使用面部单一特征,得到的模型鲁棒性不足,准确度不高。近年来,深度学习技术飞速发展,在图像识别方面,卷积神经网络取代了传统的人工神经网络,大大降低了算法的复杂度。因此,本文基于深度学习理论对人脸疲劳识别进行研究,提出了基于聚类检测的one-stage人脸疲劳识别算法以及个性化人脸疲劳识别算法,其中基于聚类检测的one-stage人脸疲劳识别算法大大提高了检测速度;个性化人脸疲劳识别算法则提高了疲劳识别的精度。本文主要研究内容包括以下几点:（1）数据集的收集与处理。目前没有公开的人脸疲劳数据集,本文通过采集与制作,共得到64500张图片。其中59500张通过截取Yaw DD视频数据得到,5000张通过自行拍摄获得。人脸疲劳识别的场景不仅有人脸,还有复杂的背景,本文采集数据时遵从这一原则,数据均在非约束的自然环境下采集。除此之外,本文将数据先按人物归类,然后在每个人物下分为疲劳和正常两类,另外每个人物还有辅助分类——睁眼、闭眼、说话、发笑和打哈欠。数据集总共包含129个不同的人物。（2）提出了基于聚类检测的one-stage人脸疲劳识别算法。现阶段的疲劳识别算法普遍存在两个问题:没有充分利用人脸特征以及识别效率不高。本文通过对人脸疲劳数据集的聚类分析,结合感受野设计简易的特征提取网络并优化检测层。与各种根据五官判断疲劳状态的算法对比,基于聚类检测的one-stage人脸疲劳识别算法有更高的识别准确率并减少了检测时间。（3）提出了个性化疲劳识别算法。本文使用同一人物的三元组训练网络,并在训练阶段加入辅助网络进行多任务训练,最终得到128维的人脸特征向量,将其与库中的人脸向量作对比来判断疲劳状态。实验结果表明,与传统的用统一标准判断疲劳相比,个性化疲劳识别算法设计更合理。