驾驶疲劳是导致重大道路交通事故的关键致因要素之一,相关工程技术研究人员已针对疲劳检测问题进行有较为广泛的研究,并取得了一系列研究成果。然而,由于不同驾驶人之间存在一定的个体特性差异,这为驾驶疲劳状态的准确、可靠检测带来了相当难度。为此,本文围绕驾驶人个体特性差异所导致的疲劳检测模型适应性不足问题,在对疲劳状态表征及检测机理深入解析的基础上,提出了一种基于深度网络的驾驶疲劳自适应检测方法,以有效解决相关车载系统研发过程中面临的关键机理性问题。其中,主要研究内容包括:（1）驾驶疲劳状态自适应检测机理解析基于本文研究目标,不同驾驶人间的个体特性理解及表征是对疲劳状态进行准确检测、有效提升检测模型适应性的关键。为此,本文在对驾驶人个体特性分析及表征方法研究基础上,通过驾驶人特性差异与疲劳检测模型性能耦合性的解析,提出了一种驾驶疲劳状态检测模型自适应策略,为后续疲劳检测自适应模型的构建奠定关键理论基础。（2）基于深度网络的疲劳检测模型构建及实证驾驶疲劳的产生具有典型的时序性特征,疲劳状态的可靠检测与驾驶人的多种表观特征相关,合理的辨识模型是进行疲劳检测的关键。基于此,本文在对驾驶疲劳状态动态生成特性分析的基础上,通过疲劳状态与相关驾驶人表观特征的解析,构建了一种级联式CNN-LSTM疲劳状态检测模型,进而引入光流特征进一步提高了模型检测的可靠性,为驾驶疲劳自适应模型的构建奠定研究框架基础。（3）驾驶疲劳自适应检测模型构建及实证针对本文研究目标,如何将不同驾驶人的个体特性引入疲劳检测模型是进行模型自适应检测的关键。为此,本文在对驾驶人个体特性差异性分析和疲劳检测自适应机理解析基础上,通过对疲劳检测模型框架的改进,提出了一种基于深度网络的疲劳状态自适应检测模型,并结合相关实验数据对模型进行实证。本文围绕驾驶人个体特性差异所导致的驾驶疲劳检测模型适应性不足问题,针对驾驶疲劳状态自适应检测机理解析及自适应检测模型的构建开展了相关研究工作。其中,研究内容突破的重点在于:针对疲劳检测模型适应性不足这一核心问题,从驾驶人个体特性差异分析入手,通过其与驾驶疲劳检测机理间的解析,对驾驶疲劳检测模型的自适应机制及构建方法进行深入探索,解决相关车载系统研发面临的关键机理性问题。