在现代交通运输作业中,由于运输路程长、工作强度高,驾驶员易出现疲劳驾驶现象,从而导致各类交通事故。与酒驾、闯红灯等有明确界定标准的违规驾驶操作相比,疲劳驾驶没有明确的判定标准,且引起疲劳驾驶的因素复杂多变,难以及时察觉并采取预防措施。因此,发展疲劳驾驶检测技术对保障道路交通安全有十分重大的意义。为减少疲劳驾驶风险,本文利用深度学习模型及机器学习算法设计了一套非接触式疲劳驾驶检测方法。具体地,各模块的研究内容如下:（1）针对疲劳驾驶检测的面部区域定位要求,选取检测速度快、定位精度高的YOLOv5m目标检测模型作为驾驶员人脸检测器。为提高模型对多尺度金字塔特征图的利用率,明确了特征融合网络的改进思路,对模型增加了不同尺度的特征图连接。建立驾驶员人脸数据集,以训练并评估改进前后模型性能。实验表明,改进后的模型在不影响检测速度的前提下,比原始模型提高了2.6%的平均精度,综合性能更突出。（2）对人脸关键点检测方法进行研究,选择了轻量化关键点定位模型PFLD,并将其改造为多任务学习网络,使其同时输出面部关键点及姿态角。将瓶颈模块替换为更轻量化的Ghost结构,以提高检测速度;将关键点的距离损失函数替换为针对人脸特征点定位的Wing loss。改进的多任务学习网络相比原模型降低了7.69%的关键点归一化误差及70.37%的姿态角预测误差,在提升预测精度的同时,提高了疲劳特征指标计算效率。（3）选择眼部纵横比、嘴部纵横比及头部姿态角作为视觉疲劳指标,并利用驾驶员睡意数据集建立疲劳特征向量数据集。选择多粒度级联森林算法作为疲劳分类器,在驾驶员疲劳特征样本集上进行性能对比。实验表明,多粒度级联森林相比于常见的机器学习算法平均提升了15.49%的检测精度,性能表现突出。（4）为评估所设计系统的改进效果,采集多名驾驶员的实车驾驶视频数据集,进行消融实验以验证各组件的有效性。实验表明,本研究所设计的人脸检测器、多任务关键点定位模型及疲劳特征分类器均能不同程度地提高检测精度或速度,整体系统的性能相比基准设计提高了12.23%的检测精度。本研究所设计的疲劳检测系统考虑了面部及头部的相关参数,比单一指标的检测算法更加鲁棒。系统整体运行流畅,无卡顿、延迟现象,满足了疲劳驾驶检测的应用要求。