基于眼睛状态识别的疲劳检测系统可以识别驾驶员的疲劳状态,并在其疲劳时进行提醒或者干预,能够减少因驾驶员疲劳驾驶车辆而引发的交通事故,有效保护驾驶员与行人。该系统的核心在于高精度、强鲁棒性的眼睛状态识别算法的设计与实现。当前影响眼睛状态识别算法精度与鲁棒性的因素主要是复杂多变的驾驶场景以及有限的眼睛状态数据集。因此,本文一方面从提高眼睛状态识别算法的场景适应能力入手,提出融合视觉基元属性的眼睛状态识别神经网络;另一方面从基于生成对抗网络的风格迁移技术入手,设计了基于红外与彩色风格转换的眼睛状态数据增广与混合训练策略,有效提高眼睛状态识别网络的精度。具体研究内容如下:（1）融合视觉基元属性的眼睛状态识别神经网络算法。该算法基于残差卷积模块构建眼睛状态识别网络,为了提升网络对复杂场景的适应性,在网络的输入中融合具有场景不变的图像对比属性和体现物体材质发射特性的反射属性,同时在网络提取的特征中显性的加入场景变化不敏感的边缘属性,提高网络的识别精度。实验结果表明,该算法在测试集上的F1分数达到了98.506%,能有效应对复杂多变的驾驶场景。（2）基于红外与彩色风格转换的眼睛状态数据增广与混合训练策略。根据眼睛与人脸图像密切相关的特点,该方法首先通过风格迁移模型Star GAN v2将红外人脸图像转换至彩色人脸图像,然后通过人脸检测和面部关键点检测定位眼睛区域,最后提取眼睛区域,并将其作为样本构建生成眼睛状态数据集。为了有效利用生成的数据,采用混合训练策略对眼睛状态识别神经网络进行训练,即将生成的眼睛状态数据灰度化之后与原有数据混合,再对网络进行联合训练。该网络在测试集上的F1分数达到了98.720%,证明了本文提出的数据增广方法以及混合训练策略的有效性。（3）疲劳检测系统设计与实现。设计并实现了基于本文提出的眼睛状态识别神经网络的疲劳检测系统。该系统包含人体关键点检测模块、眼睛定位模块、眼睛状态识别模块以及疲劳识别模块。首先通过人体关键点检测模块定位面部关键点,然后使用眼睛定位模块根据面部关键点获得眼睛区域,接着用眼睛状态识别模块对眼睛区域进行眼睛状态识别,最后疲劳识别模块根据眼睛状态更新PERCLOS指标并识别驾驶员的疲劳状态。测试结果表明,该系统的准确率和检出率均超过96%,满足设计要求。