随着智能汽车的发展,以及国内汽车的保有量在不断提高,汽车日常使用的频率也在不断提高,人们对使用性能和安全系数的要求也在不断提高。同时,随着汽车保有量的增加,也伴随着交通事故方面的一系列问题,而在很多的交通事故中,司机疲劳驾驶导致的交通事故是发生的重要原因之一。目前,许多汽车公司和研究机构已经将驾驶员疲劳试验作为一个重要的研究课题,并取得了一定研究结果。因此,针对驾驶员疲劳不足的检查,不仅能有效降低交通事故发生的概率,而且也是近年来汽车智能化发展中的一个重要组成部分,具有较高的科研、社会经济价值,同时也能推动汽车工业智能化的发展。本论文的主要研究对象是以眼部状态识别为研究对象,通过Google Tensorflow深度学习框架,建立了适合于本次数据集的卷积神经网络（CNN）模型,用于训练和研究眼部疲劳状态的特征。论文开始研究了神经网络的发展历史,以及介绍了一些基本概念和卷积神经网络的网络结构。然后介绍了疲劳驾驶相关概念和研究理论,以及各种算法介绍,国内外研究现状等。后续介绍了本文数据集采用的是NUAA大学的公开数据集,对获取到的数据集图片进行了归一化处理,并对数据集进行分类保存,以便提高图像在识别过程中的精确度,并对图像进行灰度化的预处理等操作。然后,利用经典的Lenet5卷积神经网络,构建出一种神经网络模型结构。并根据该结构对卷积神经网络模型的结构及参数进行了相应的调整和改造,首先从卷积核的大小做了一组对比试验,得出了本次数据集的卷积核大小和Lenet5网络模型相比需要减小卷积核的大小。同样根据第二组的实验结果得出研究的数据集必须减少卷积核的个数才能有更好的效果。根据实验的结果进行优化,通过多次对比试验和根据实际结果进行分析,以及结合具体数据集的实际情况,再对卷积层个数,卷积核大小,卷积核个数等参数的调整和实验之后,找到了最佳疲劳状态检测的神经网络结构模型,使其在识别精度及实时性方面达到了理想的效果,从而使驾驶员疲劳的检测能力得到提高,从而达到有效减少交通事故发生的目的。通过分析最终的实验结果,本次论文设计的卷积神经网络模型可以很好的完成对驾驶员疲劳驾驶状态的训练和研究,对驾驶员在驾车过程中的疲劳驾驶状态检测以及根据检测到的结果发出相应的预警,从而降低交通事故发生的概率。给国家和社会减少了由于交通事故而导致的悲剧和经济损失,同时也体现出了本课题的研究方向是比较前沿的,并且能产生一定的社会和经济效益,但受限于研究条件等原因还有诸多场景和软硬件受限,后续还得继续深入调查研究。