在驾驶过程中,驾驶员因休息不足或驾驶时间过长会导致驾驶疲劳,产生注意力不集中、反应力低下等问题,极易引发交通事故,导致人员伤亡。因此对驾驶员疲劳驾驶行为进行及时检测和警报,可以降低事故发生率,对保护人身和财产安全有着重大意义。本文研究了基于卷积神经网络（Convolutional Neural Network,CNN）的驾驶员疲劳表情检测方法,主要工作内容有以下几点:（1）深入分析了两种人脸检测算法:基于Haar-like特征的Adaboost算法和多任务级联卷积神经网络（Multi-Task Cascaded Convolutional Neural Network,MTCNN）算法。对比了两种训练模型在驾驶员人脸检测数据集上的检测效果,实验表明MTCNN算法训练调优后得到的人脸检测器在驾驶员面部检测中的效果更好,检测正确率达到了 90.2%,该模型在驾驶员佩戴墨镜、低头、侧脸及幽暗环境等情况下的检测中都有更好的表现。（2）提出了一种基于时空特征的双模型融合网络,实现基于驾驶员疲劳表情视频数据集的三种疲劳状态（清醒、轻度疲劳、重度疲劳）的自动分类。采用基于二维卷积神经网络的图像分类模型提取疲劳表情的空域特征,采用基于三维卷积神经网络的视频分类模型提取疲劳表情的时序特征。图像分类模型采用迁移学习的方法,对比了迁移自不同源域的AlexNet、VGG16、ResNet34、Inception V3四种网络在三种不同迁移策略下的疲劳检测效果,实验表明迁移自相似源域且只训练顶层的VGG Face模型的检测效果更好,整体准确率达到了 79.50%,对清醒和重度疲劳表情的识别率分别达到了 90.93%和90.69%。视频分类模型采用C3D（Convolutional 3D）模型,在疲劳表情视频测试集上的准确率达到了 80.64%,与图像分类模型相比,对于轻度疲劳的识别率提高了 10.04%。结合两者优点,双模型融合网络采用加权平均法进行决策级融合,当融合系数为0.5时网络识别效果最好,整体准确率达到了 81.03%。（3）设计并开发了一款驾驶员疲劳检测系统。该系统通过人脸检测模块和疲劳表情识别模块对本地视频文件和实时拍摄视频进行面部疲劳表情检测,将检测结果以可视化的方式展示,并对疲劳驾驶行为进行声音警报。