驾驶员疲劳驾驶是导致交通事故的主要原因之一,因此设计一种有效的疲劳识别方法来提高道路交通安全,具有重要的现实意义。大多数现有的困倦检测方法存在仅使用单一面部特征、忽略疲劳特征的时间变化信息和识别准确率低等问题,因此,本文提出了一种基于深度学习的驾驶员面部动态表情疲劳检测方法,以提高疲劳检测的鲁棒性和稳定性。本文主要研究方法如下:（1）驾驶员面部特征点检测及面部有效特征区域定位基于图像灰度化和直方图均衡化对采集数据预处理,以消除数据图像光照不均和随机噪声等外部环境因素影响。基于回归树集成算法对驾驶员面部68个特征点进行定位,并通过梯度增强算法和最小化平方和误差对关键点定位采用的级联回归器进行优化。基于人脸特征点的坐标信息,提出了一种用于驾驶员眼睛和嘴巴主要疲劳特征区域的定位裁剪方法。（2）驾驶员面部关键区域状态感知模型研究基于权重初始化、Adam优化算法、批量归一化和迁移学习等卷积神经网络优化策略,以Fire单元为基础建立了分别用于驾驶员眼睛和嘴巴状态检测的深度卷积神经网络模型,同时利用状态检测网络对驾驶员眼睛和嘴巴状态的深层特征表示进行提取。（3）驾驶员面部动态表情疲劳状态检测模型研究基于深度学习空间特征融合算法,建立了用于面部眼睛和嘴巴深层疲劳特征融合的分解双线性特征融合模型。基于循环神经网络的基本结构,建立了用于提取疲劳数据之间时间序列信息的长短期记忆单元。通过对各模型进行结合建立了用于驾驶员困倦检测的系统框架,并对疲劳检测系统的训练、图像帧扩充和状态概率向量的构造等环节进行了介绍。（4）驾驶员疲劳检测实验及结果分析研究基于NTHU-DDD模拟驾驶数据集和CEW、ZJU、YawDD三个公共数据集对眼睛和嘴巴状态检测模型在不同驾驶场景下的性能进行了实验对比分析。通过对疲劳检测模型输入图像帧数、特征融合位置、状态概率向量数目、分类器选择和LSTM结构参数等进行实验,确定了用于驾驶员疲劳检测的最优框架及参数配置。基于实车采集数据与其余疲劳检测研究方法进行实验对比,验证本文所提框架的优越性。