随着现代交通运输业的飞速发展，交通事故已经成为了全球所面临的严重问题。据统计，其中57％的灾难性事故都与驾驶员的疲劳驾驶有关。故而，近年来学者围绕疲劳驾驶检测方法进行了大量研究，取得了一定的成果。　　然而，从近几年的研究成果上来看，基于人脸特征的疲劳驾驶检测算法仍存在一些待改进的地方，主要表现在以下三个方面:(1)定位算法定位准确率不高，实时性和鲁棒性有待提升(2)疲劳判断机制有待完善(3)系统只能实现正脸情况下的检测，不适用于侧脸情况下的疲劳检测。本文针对以上不足，对人脸定位算法，人脸分割算法，人眼定位算法，疲劳判断机制等关键技术进行了研究。　　本文在经典人脸检测与定位算法的分析与比较基础上，针对基于高斯模型的检测方法和基于神经网络的检测方法的优缺点，提出了高斯模型和神经网络相结合的检测算法。测试结果表明，该方法能够有效排除车内类肤色装饰物的干扰，改善肤色检测效果;区别于其它机器学习方法，无需人为进行数据的采集和标注工作，降低了系统的人力成本。　　针对侧脸情况下的疲劳驾驶检测，本文对人脸分割算法进行了研究，提出了基于鼻子定位的人脸分割算法。该方法，基于连通域分析法定位鼻子，根据鼻子位置信息划分人脸上下左右区域。测试结果表明，基于鼻子定位的人脸分割算法可以实现对人脸的精准分割，分割准确度为96.83％,优于传统按比例分割的方法，在PC机上的检测速度为27.27帧/秒，具备良好的实时性。为进一步提高算法的准确率和实时性，本文还提出了利用耳朵辅助鼻子定位和人脸分割的改进算法。该方法，首先检测耳朵，然后优先在耳朵中线附近区域搜索鼻子，或在鼻子定位失败时利用耳朵辅助分割。测试结果表明，改进算法准确率为98％，在PC机上的检测速度为40帧/秒，均优于改进前。　　针对人眼定位算法，本文提出了基于感兴趣区域的人眼定位算法。该算法首先利用膨胀法和投影法检测感兴趣区域，再对感兴趣区域进行分类与再处理，最后根据感兴趣区域类型选择相应的连通域分析方法定位人眼。测试结果表明，本文提出的人眼定位算法的准确率为不戴眼镜时94.8％，优于传统连通域分析法，且还能实现戴眼镜等复杂情况下的人眼检测，检测正确率为90.4％。　　针对疲劳状态判断机制的问题，本文先利用一段时间内的眼部睁开闭合程度和嘴部张开闭合程度对眼部、嘴部状态进行判断，再根据两者状态对驾驶员的疲劳状态进行判断，有效规避了单一特征，单一帧判断的片面性。针对嘴部状态判断，提出了基于参数曲线分析的嘴部状态判断算法。该算法根据一段时间内的参数曲线形状对嘴部状态进行判断。本文建立的疲劳状态判断机制对各状态的检测正确率分别为说话92％，打哈气86％，连续闭眼94％，疲劳90％，测试结果表明该疲劳判断机制能够实时地，准确地检测出驾驶员的状态。　　最后，分别在PC机，DSP及手机安卓平台上，设计并实现了基于人脸特征的疲劳驾驶检测系统，验证了系统在不同平台上的实时性和准确性。