随着我国经济的高速发展和人们物质生活水平的不断提高，机动车辆日益增多，同时随着人们工作强度的加大，导致因疲劳驾驶而发生的交通事故也逐渐增多，严重威胁着人们的人身和财产安全，如何有效预防疲劳驾驶、实现疲劳驾驶的自主检测是交通部门和相关科研单位的研究热点。疲劳驾驶的自主检测是在行车过程中实时判断驾驶员是否正在疲劳驾驶，并在驾驶员进入疲劳时及时采取措施，从而在一定程度上减少交通事故的发生，使人们的出行更加安全，实现疲劳驾驶的自主检测具有相当重要的社会意义。本论文以疲劳驾驶为研究对象，通过实时处理视频图像来判定驾驶员是否处于疲劳状态，该方式只需要一个摄像头，不会干扰驾驶员的正常驾驶，简单易操作，同时具有较强的实时性、智能性，其关键技术包括人脸检测、眼睛定位、眼睛特征提取，目前，有许多算法用于人脸检测及眼睛定位，每种算法各有优劣，通过对各种算法的分析比较，针对光照变化剧烈的高速行车环境提出改进的算法思路，并提出一种多特征融合的疲劳判定标准，实现当检测到驾驶员处于疲劳状态时系统自动发出预警，提醒驾驶员减速或停车休息，从而有效提高行车安全。首先，本论文采取基于Haar特征训练分类器的Adaboost算法进行人脸检测，该方法对光照变化不敏感，适合高速行车的环境，且检测效果良好；然后在人脸检测的结果上根据人脸与眼睛之间的固有特征值采取几何特征法来实现眼睛的粗步定位，同时为了消除头部偏转造成的误差，提出了常用于目标跟踪的帧差法来辅助判定粗定位的眼睛区域是否存在较大偏差，并利用聚类技术消除眼睛周围部分干扰，实现眼睛的进一步精确定位；然后利用连通域标记算法提取眼睛特征值；最后，利用无教师指导的、具备强学习能力的自组织竞争网络赋予多个眼睛特征值不同的权值，共同决策实时视频的每一帧图像的睁闭状态，并提出了基于PERCLOS参数的疲劳判定标准，用于判定驾驶员是否正处于疲劳状态，进而实现疲劳驾驶的自主检测。在实现疲劳驾驶自主检测的算法后，对算法进行实时性和正确性分析，实验结果表明该算法能够达到预期的效果。