本文主要针对驾驶员的疲劳检测问题,提出一种在图片数据集上进行无监督式特征提取和状态判别方法,解决深度学习对数据规模的需求与制作对应标签所需成本之间的矛盾。本文提出的疲劳检测系统主要包括面部特征提取和疲劳状态检测两个功能模块,其中特征提取部分基于无监督学习中改进的卷积自编码器结构,其网络的连接方式更加高效,且对图片特征的空间相关性损害较低。将贪心逐层训练的思想应用于卷积自编码器,形成栈式卷积自编码器,提高模型训练速度,并且避免过早的出现网络退化,以寻找到更优的参数空间。可视化的面部特征提取结果,并且在接下来的分类器中验证了该方法提取的特征是高效的。疲劳状态的检测部分使用Softmax预测的类别概率来改进K均值聚类算法中的均值向量初始化方法,进行驾驶员疲劳状态类别划分,并采用轮廓系数对聚类效果进行评估,本文提出的初始化方法比随机初始化时的评估指标值提升了0.34,而图片的状态识别结果也证明了该方法的有效性。最后,对整个系统进行了图片训练集上端对端式输出疲劳状态检测结果的实验,使用混淆矩阵进行检测结果的评价,其中疲劳状态的检测正确率达到87.5%。此外,利用特征提取器和K均值聚类算法中对参数的更新都使用梯度下降法这一特性,本文设计的系统可以在同一个迭代优化框架内实现,使得程序的实现更加顺畅和便捷。