驾驶员的疲劳驾驶行为对交通事故的发生已经造成了严重的影响。本文研究分析驾驶员正常状态和疲劳状态下的脑电信号(Electroencephalograph,EEG)。针对疲劳驾驶状态识别研究中采集的EEG数据具有非线性这一特点,这使得目前EEG数据基于熵特征进行疲劳驾驶状态识别研究时依然存在分类准确率不理想的问题,本文建立了一个在EEG熵特征的基础上结合核主成分分析(Kernel principal component analysis,KPCA)构建疲劳驾驶状态识别的模型,提出了相应的算法;又针对疲劳驾驶状态识别的时间性能问题,本文在所使用的算法基础上又加入了t检验进行进一步的研究,提出了不同熵特征以及t检验结合KPCA(ENTROPY_T_KPCA)的算法,并且在30个导联数据上进行研究都达到了理想的效果。主要研究内容和创新点如下:(1)针对现有的疲劳驾驶脑电信号的熵特征提取方法对疲劳驾驶状态识别测试的准确率不是很理想这一问题。本文先是研究了不同熵结合主成分分析(Principal Component Analysis,PCA)对EEG数据进行重构,再研究了不同熵结合KPCA对EEG数据进行重构,通过SVM分类器对重构数据进行疲劳驾驶状态识别测试。测试结果表明,使用KPCA算法后对疲劳驾驶状态的识别准确率相对于未使用KPCA算法有明显提高。(2)针对疲劳驾驶状态识别的时间性能不理想这一问题。本文在先前提出的算法基础上又加入了t检验算法。通过t检验找出有显著差异的特征向量,通过特征约简来提高时间性能。实验结果表明t检验算法是有效的,在加入KPCA算法后,ENTROPY_T_KPCA算法不仅能够提高时间性能而且当它选择合适的分类器后对疲劳驾驶状态的识别准确率仍能有所提高。