疲劳是我们日常生活中发生严重交通事故的主要原因之一。根据美国国家公路交通安全管理局的数据,由于驾驶员的疲劳,美国每年发生约100,000起车祸,估计导致1,550人死亡,71,000人受伤和约125亿美元的损失。另一份报告指出,美国政府和企业每年在与疲劳驾驶相关的事故上花费604亿美元,并且由于疲劳而造成的财产损失,健康隐患,时间损失和生产力降低,还使消费者蒙受164亿美元的损失。德国道路安全委员会（DVR）声称,四分之一的高速公路交通事故死亡是驾驶员暂时性疲劳的结果。驾驶员疲劳引发了巨大的人员伤亡和财产损失,由于这些原因,研究者建议使用可以确定疲劳的驾驶员风险预警系统。警报系统可以唤醒昏昏欲睡的驾驶员或将汽车控制权转交高级驾驶辅助系统。随着人们对智能交通系统的兴趣日益浓厚,开发实用的疲劳检测系统是至关重要的一步。丰田,福特,梅赛德斯-奔驰等汽车公司目前也采用汽车安全技术,以防止因驾驶员疲劳引发的交通事故。预计这种趋势将使汽车更智能,并显著减少驾驶员疲劳造成的事故。驾驶环境下的疲劳检测具有光照情况复杂和人脸表情丰富等特点,由于实验对象并不处于实验室单一的环境下,驾驶员面部存在太阳眼镜及饰品的遮挡,所以高级驾驶辅助系统（ADAS）中的驾驶员疲劳检测比单一的实验室环境中的疲劳检测更加复杂。近年来,为了提高疲劳检测的准确度,学者已经提出了各种方法,推动了疲劳检测的发展。尽管正在进行的研究显示出疲劳检测技术的进步,但仍有许多挑战有待解决。基于车辆特征的疲劳检测方法以及基于监视方向盘运动的方法实现了各种最新技术。该组中的某些技术着重于加速或中断时间序列,车道偏离以确定困倦程度。基于生物特征的疲劳检测方法着重于检测电子生物信号,例如EEG（脑电图）,ECG（心电图）和EOG（心电图）。但是,前面提到的两个类别中的疲劳检测技术具有严重的局限性。前一类技术只能在特定的驾驶条件下使用,并且本质上并不稳定,而后者则难以实际应用,因为驾驶员在身体上佩戴各种信号测量工具会感到不舒服。因此,基于计算机视觉的驾驶员疲劳检测技术变得越来越流行。计算机视觉技术主要集中在检测眼睛闭合,打哈欠的方式以及面部和头部的整体表情方面。针对驾驶员疲劳检测中的特征提取和疲劳分类器设计等关键问题,本文以人脸物理特征为对象,开展基于卷积神经网络方法的驾驶员疲劳检测研究。本文引入多物理特征融合的疲劳检测方法,获得驾驶员丰富的疲劳特征信息;以驾驶员面部的纹理信息为牵引,建立人脸物理特征检测疲劳的深度学习模型。本文提出的方法在NTHU-DDD数据集和其他两个修改的非公开数据集上进行训练测试。这项工作的主要成果是,疲劳检测的准确率均高于包括原始方法在内的其他方法,准确率超过90%。并且比多物理特征融合的检测方法有更好的泛化能力。同时,本文讨论了基于卷积神经网络的疲劳检测方法完善了高级驾驶辅助系统（ADAS）,使其产生更鲁棒性和可靠的决策。