铁路运输是目前最重要的交通运输方式之一。铁路司机具有单次值乘时间长,工作环境噪声大等工作特点,长时间驾驶作业后容易产生危害行车安全的驾驶疲劳。本文研究心电信号特征和操作行为特征与司机疲劳状态之间的关系,在此基础上构建了机车司机疲劳状态检测模型。论文具体内容如下。（1）根据司机值乘作业的特点,设计了详尽的数据采集方案。为了在采集数据时不影响机车司机的正常工作,设计了基于司机手持终端APP的数据采集实验方案。参考有着更为充分研究的汽车领域司机疲劳驾驶结论并结合主观调查问卷结果,对铁路司机疲劳程度进行评估,明确司机不同疲劳状态。所设计铁路司机疲劳驾驶数据采集方案为后文中搭建铁路司机疲劳检测模型提供了有效的数据支撑。（2）分析心电信号特征随疲劳程度加深的变化规律。首先对心电信号数据做预处理;其次分别提取数据中时域特征、频域特征以及非线性特征;然后分析这些特征随疲劳程度加深的变化规律,找到能表征司机疲劳状态的关键特征;最后对特征计算时最优的时间窗口长度做选择。（3）分析铁路司机操纵行为特征随疲劳程度加深的变化规律。首先对铁路司机操纵行为数据做预处理,明确以调车作业调速阶段为主要研究对象。针对机车司机操纵行为特点,提出了机车输出功率特征方法,从列车司机的操纵行为中提取司机疲劳相关特征,并通过实验验证了得到的特征有显著统计学差异。（4）针对机车驾驶的特点,设计了特征层和决策层的两层信息融合结构。首先,在特征层融合中分别把心电信号特征和操纵行为特征作为输入,把铁路司机疲劳概率作为输出,用SVM方法建立铁路司机疲劳检测模型。然后,在决策层融合中将两个特征层融合输出和上次疲劳检测结果作为输入,用D-S证据进行决策层融合,得到铁路司机疲劳检测结果。本文以铁路司机这一特殊作业人员为研究对象,围绕表征司机驾驶疲劳状态的心电信号特征和操作行为特征开展实验数据采集、定性和定量分析,为铁路司机疲劳状态预测的进一步研究提供理论基础。并进一步通过信息融合的方法,搭建铁路司机疲劳状态检测模型。