由驾驶疲劳造成的交通危害在所有交通事故中占到了很大的比重,因此寻求客观、准确的疲劳检测方法,以避免其对安全驾驶造成的影响十分重要。在脑力疲劳评价的众多方法中,脑电信号（EEG）因为可以直接反映大脑的神经活动状态,被誉为脑力疲劳检测的“金标准”。但由于脑电信号的特异性,要想基于脑电信号实现疲劳状态快速、准确的估计仍然存在困难。此外,相关研究还缺少对疲劳检测过程中的关键脑电通道和频带进行分析,而冗余的信号通道对于信号采集和处理系统而言,均存在较大的压力和干扰,不利于其在工程领域的应用。基于以上原因,本文拟基于脑电信号进行驾驶疲劳检测研究,并对与疲劳检测相关的关键脑电通道与频带进行分析,具体研究内容如下:基于大量资料调研的结果,目前还未发现适合本文研究使用的公开可获取的全脑分布多通道脑电数据集,为此,本文对当前有关驾驶脑力疲劳诱发实验的设计方法进行系统总结,并设计了实验室环境下可开展的疲劳驾驶诱发实验,构建了用于本文开展疲劳检测实验的脑电数据集。由于大脑的神经元活动及脑电信号都表现为非线性动力学低维混沌特征,对脑电信号更准确的研究方法应是提取其非线性特征。因此,本文提出了多非线性特征融合的疲劳检测方法,通过多核学习（MKL）对六种非线性特征进行参数寻优与特征融合。实验结果表明,该方法比传统特征直接连接方法的识别准确率更高。之后,本文提出了基于最优非线性特征和深度信念网络的关键脑电通道分析方法。针对传统脑电特征只考虑了脑电的幅值信息,无法对大脑的整体功能状态进行描述这一不足,本文基于脑网络理论对疲劳检测进行了研究。首先,基于多通道脑电信号利用偏定向相干度量不同电极之间的功能连接特性,并建立有向无权脑功能网络;再提取网络相关统计特征,建立疲劳检测模型;最后,提出了基于介数中心度网络特征的关键脑电通道分析方法。为避免传统以人工经验为参考进行特征提取的繁琐工作,借鉴卷积神经网络自动学习对分类任务有利特征的特点,本文基于脑电信号首先提出了电极-频率分布图（EFDMs）的概念,并设计了包含四个残差块的深度卷积神经网络进行疲劳检测。之后,基于卷积神经网络的自注意力机制,通过梯度加权类激活映射（Grad-CAM）从电极-频率分布图中自动同时获得了与清醒和疲劳状态识别最相关的脑电信号通道与频带信息。针对深度网络的学习过程比较复杂,往往需要大量带标注的数据进行模型训练等问题,本文还研究了基于深度迁移学习的驾驶疲劳检测方法,实现了基于少量训练数据和深度预训练模型的疲劳检测。为实现基于脑电信号的驾驶疲劳检测,本文设计了基于模拟驾驶环境的驾驶疲劳诱发实验方案,构建了脑电疲劳检测数据集,然后针对脑电信号的特点,从非线性特征、脑功能网络和卷积神经网络三个方面开展了疲劳检测研究,并获得了对应特征下的关键脑电通道与频带。本文的研究将有助于精简疲劳检测系统,促进基于脑电信号的驾驶疲劳检测系统走向实际应用领域。基于所得关键脑电通道与频带,还可以从根本上帮助深入理解疲劳状态检测系统的处理机制,找到大脑中与疲劳状态相关的神经特质。此外,虽然本文研究目标是驾驶疲劳检测,但是课题中涉及的相关实验设计思路和算法同样适用于其他任务下的脑力疲劳检测。