汽车的普遍使用,给我们的生活带来便利的同时,也使得驾驶安全问题受到大家的广泛关注。疲劳驾驶和不良情绪都是导致交通事故发生的重要原因,故对驾驶员状态异常进行及时预警具有重要的意义。针对这两个问题各自存在的主要困难,论文研究有效的疲劳检测与情绪识别算法,以准确获取驾驶员的疲劳和情绪状态,为安全预警系统提供输入。论文的创新性工作包括:本文提出了一种基于双眼对的分层隐马尔可夫模型的疲劳检测算法。首先,使用目标检测网络作为人眼检测器得到人眼开闭状态作为疲劳特征,在这个过程中通过增加一个外包围框的方式对双眼施加位置约束;其次,通过不同采样频率的人眼状态序列构建分层隐马尔可夫模型,用于提取特定时间层次上的疲劳信息,更准确地表示人眼的疲劳过程。通过与现有的若干经典的疲劳检测算法进行对比,提出的疲劳检测算法表现出了更加优越的性能,在NTHU-DDD数据集上取得了92.98%的准确率。本文提出了一种基于空间变换的贝叶斯卷积神经网络的情绪识别算法。首先,利用空间变换网络对原始的人脸表情图像进行姿势校准,有助于提取有效的表情特征;其次,表情具有较大的不确定性,因而构建贝叶斯卷积神经网络作为分类模型进行表情识别,通过令网络参数服从某种概率分布的方式在模型中引入不确定性,增强模型的表达能力。经过对比实验证明,本文模型在精度方面超越了当前具有代表性的几种表情识别模型。提出的情绪识别算法在未使用预训练模型的前提下,在KMU-FED数据集、RAF-DB数据集及FERplus数据集上分别取得了99.1%、82.3%和83.5%的识别率。