疲劳驾驶是造成重大道路交通事故的重要原因之一。疲劳驾驶时驾驶员对车辆的操控能力下降导致其操控车辆的动作如转向、档位、油门等以及车辆的行驶状态如车速、车辆在车道中的位置等发生变化,这些变化统称为驾驶行为的变化。利用疲劳驾驶时驾驶行为的变化特征,可实现对驾驶疲劳状态的实时检测。通过驾驶模拟试验分析研究了疲劳驾驶时的驾驶行为特征,并在这些特征的基础上开展了疲劳驾驶的识别算法研究。首先,构建了疲劳驾驶时的驾驶行为信息采集试验系统,并设计开展驾驶模拟器的校验试验,验证了模拟试验数据采集的有效性。在对疲劳驾驶时驾驶行为变化特征的分析及相关问卷调查的基础上,开展疲劳驾驶时的驾驶行为采集试验方法研究,包括试验场景及道路设计、被试驾驶员招募、试验过程与组织以及试验数据采集等,并开展了14组模拟驾驶试验。根据被试驾驶员的简单反应时变化特征,将试验过程中被试驾驶员状态划分为正常和疲劳两种,截取了14名被试驾驶员在5个不同线形路段上各行驶7圈的驾驶行为数据,其中1～4圈为正常状态,5-7圈为疲劳驾驶状态。其次,分析疲劳驾驶时被试驾驶员的纵向、横向操作行为特征。采用时域数据统计特征、傅里叶频谱分析以及基于haar小波分解的时频分析等方法分析了车速、加速度、转向角和转向加速度4项驾驶行为变化特征,发现疲劳驾驶时发生变化的驾驶行为指标有：①车速标准差；②加速度的绝对均值、标准差及极差；③加速度能量值；④加速度小波分解的cdl尺度上的归一化能量；⑤加速度小波熵；⑥转向角绝对均值和标准差；⑦转向角能量值；⑧转向角小波分解的cdl和ca5尺度的归一化能量；⑨转向角小波熵；⑩转向角速度绝对均值和标准差；(?)向角速度能量；(?)转向角速度小波分析的cdl尺度归一化能量,通过方差分析得到在不同道路线形上变化差异不显著的7项指标作为疲劳驾驶识别的原始特征指标,它们是：转向角小波分解的ca5尺度归一化能量、转向角小波熵、转向角速度能量、转向角速度标准差、车速标准差、加速度小波分解的cdl尺度归一化能量和加速度熵。第三,采用主成分分析方法实现了疲劳驾驶行为特征提取,并设计了针对特征主成分和不同特征向量组合的疲劳驾驶模糊聚类和神经网络算法,分析不同算法对疲劳驾驶的识别准确率发现：①基于PCA第一主成分的模糊聚类算法的识别效果好于其它特征组合的模糊聚类识别效果,识别准确率达到了80%以上；②BP神经网络的识别效果在所有算法中最好,但出于算法收敛速度慢且训练过程中时有末收敛情况发生,所以不适合疲劳驾驶的实时检测要求；③RBF神经网络的收敛速度较快,但网络输出误差大,模式分类效果差,识别准确率仅为70%左右,而引入竞争单元的概率神经网络(PNN)有效弥补了RBF模式分类效果差的缺点,基于PCA特征的PNN神经网络识别准确率达到了90%左右。通过对比分析得知,基于PCA特征的模糊聚类和PNN神经网络算法识别效果都较好,特别是PNN的识别准确了达到了90%。最后,通过试验验证了两种识别算法的识别效果,基于PCA特征的模糊聚类算法准确率达到81%,而PNN神经网络算法识别准确率达到了92%,识别效果较好。因此,在满足实时检测的前提下可采用PNN网络根据驾驶员的驾驶行为特征监测疲劳驾驶；在实时性要求高的情况下可采用模糊聚类方法实现疲劳驾驶的监测。