疲劳驾驶极易引发重大交通事故,针对驾驶员疲劳的检测对于预防交通事故具有重要研究意义。基于此,相关学者在该领域开展有大量研究工作,并取得了一系列研究成果。其中,基于视觉表观特征的方法以其对驾驶员无干扰、视觉系统易于布置的优点逐渐成为该领域可实用化技术的研究重点。然而,由于视觉图像受外部光照变化、图像背景等环境因素的影响较大,因此在系统的可靠性方面还需进一步提升。为此,本文在对反映驾驶员疲劳状态的多种表观特征分析的基础上,利用鲁棒性更强的深度学习算法构建了驾驶疲劳检测模型,并结合实验数据对所构建的模型进行了验证。针对上述图像处理方法抗干扰性不强、准确率不高的缺点,本文通过深度学习中的卷积神经网络对驾驶员面部图像的空间特征进行了提取;考虑到驾驶疲劳特征时序上的动态变化特性,本文结合长短时记忆网络的时序表达特性构建了疲劳检测的基础模型。在此基础上,为弥补间隔采样所造成的运动特征缺失,本文通过合理引入光流特征对基础模型进行了优化,进而形成了基于RGB-O图像的双流模型。最后,基于系统的时效性需求,本文提出了一种动态自适应的数据采样机制,以有效提高系统的实际运行效率。本文对于驾驶疲劳检测的研究,重点在疲劳检测模型的构建以及系统的时效性提升。其中,突破的关键性技术包括:首先,在疲劳状态特征融合表达层面,本文基于对表观特征的动态变化特性分析,分别从时域和空域两个角度对驾驶疲劳的识别进行了综合决策;其次,鉴于系统实际应用的时效性需求,本文通过自适应的动态数据采样机制有效提高了模型的运行效率。