基于世卫组织给予的数据中,每年交通事故发生的次数不尽其数。其中,疲劳驾驶是其中一大致命因素。在2005年的中国交通事故统计报告提到的47起事故中,因疲劳驾驶导致7起。疲劳驾驶不仅是在伤害自己同时也在伤害他人。为了尽可能地避免疲劳驾驶的事故发生,疲劳驾驶状态检测极其重要。对此,研究疲劳驾驶状态检测具有深刻意义与举足轻重的价值。为了在驾驶过程中能够有效地进行实时检测,本文基于MobileNet-V3轻量级网络模型对疲劳驾驶状态检测展开深入应用研究,旨在设计一种既准确又快速的实疲劳驾驶状态实时检测方法。据此,本文的主要工作如下:（1）针对MobileNet-V3轻量级网络模型中的Squeeze and Excitation（SE）注意力模块的计算量和参数开销过大以及不适合紧凑型卷积神经网络的问题,采用超轻量级子空间注意机制（Ultra-Lightweight Subspace Attention Module,ULSAM）模块替代。ULSAM注意机制为每个特征图子空间推断出不同的注意力图,实现多尺度、多频率的特征表示,有利于细粒度的图像分类,精度可达97.53%,FPS可达24.5,相较于SE、卷积注意力模块（Convolutional Block Attention Module,CBAM）,分别提升了2.5%、13.4%。（2）虽然注意力模块可以表现出较好的性能,但存在其每一次只考虑当前特征的问题,且相互之间不会分享信息。而这种方式并没有发挥注意力机制的最大功效。故本文添加深度连接注意力网络（Deep Connected Attention Network,DCANet）模块将相邻的ULSAM轻量级注意力模块相连接,使得特征信息在通道块中不断流动,增强注意力模型。精度可再提升0.21%。（3）将改进后的MobileNet-V3作为YOLOv3的主干网络,检测目标人脸,确定五个关键点（包括左右眼、鼻、嘴部两角）,并将Nadam优化算法、周期性学习率（Cyclic Learning Rate,CLR）、Bias Loss损失函数作为训练条件预训练MobileNet-V3模型,再预测识别眼部与嘴部的状态,最后通过Percentage of Eyelid Closure over the Pupil（PERCLOS）算法计算眼睛闭合时间的占比与打哈欠的频次来综合判断驾驶员是否处于疲劳状态。最终的准确率可达94.41%,FPS平均可达27.73。该方法满足快速准确地实时检测疲劳驾驶状态的要求。