由于驾驶员疲劳驾驶所引发的道路交通事故问题日益增加,因此研发出一套准确性高和推广性强的疲劳检测系统对于降低交通事故发生率就显得尤为重要。针对目前疲劳检测方法普遍存在准确性不强、鲁棒性差和佩戴专用采集信号设备具有侵入性对驾驶员正常行车造成较大干扰等诸多问题,本文提出一种基于关键特征融合的非接触式疲劳检测方法。具体工作如下:首先,增加光照补偿模块。针对传统疲劳检测方法未考虑实际行车过程中光线变化对后续检测造成的不良影响的问题。选取直方图均衡化作为本文光照补偿算法,对比发现经过光照补偿后图像质量较之前有大幅提升。其次,提出改进的MTCNN（multi-task convolutional neural network）面部检测网络。由于传统人脸检测算法存在模型空间大、计算复杂和检测精度不高等问题,本文通过改进原网络结构,减少模型复杂度。针对原网络存在生成的图像金字塔层数过多造成检测时间过长的问题,提出优化最小脸尺寸和压缩图像金字塔层数两种改进措施。结果显示改进后的网络不仅有效减少模型输入数据可大幅降低计算复杂度,而且在保证检测精度的前提下检测效率大幅提升。然后,多特征提取。针对单一疲劳特征易受驾驶员佩戴眼镜、墨镜造成算法精度过低或失效的情况,本文提出眼部、嘴部和头部多疲劳特征融合算法。通过两种算法实现嘴部与眼部特征提取,第一种利用自建数据集训练自建网络EMSD-NET（eyes and mouth state detection net）实现嘴部与眼部张闭状态识别,经测试集验证可分别达到99%与98%的准确度;第二种基于迁移学习策略利用Res Net-18作为主干网络在YTF数据集重训练实现68个面部关键点检测,通过计算眼部纵横比（eye aspect ratio,EAR）与嘴部纵横比（mouth aspect ratio,MAR）间接实现嘴部与眼部状态识别。采用基于N点透视算法来实现头部姿态估计。最后,基于粗糙集理论的多疲劳参数融合。将提取到的关键特征进一步细化为眨眼频率、眼睑闭合度（percentage of eyelid closure,PERCLOS）、闭眼时间、打哈欠次数、点头频率和点头时间六个疲劳参数利用粗糙集理论进行融合,综合判别当前驾驶员疲劳状态。通过实验发现该算法属于无侵入式,不会对驾驶员行车造成干扰且成本较低;检测精度要高于传统检测算法;可有效克服光线、面部遮挡与佩戴眼镜等复杂环境的影响,当某一特征失效后仍可正常工作,同单特征检测算法相比具有较强的鲁棒性。