随着交通运输业不断进步，人类社会面临越来越严峻的交通安全问题。调查表明，疲劳驾驶是引起交通安全事故的一大杀手。如果能够开发一套可以实时有效地对驾驶员进行疲劳检测并在检测到疲劳发生时报警的系统，那么可以大量减少事故的发生，从而减少人员伤亡和经济损失，具有十分重要的现实意义及经济价值。本文在分析现有的疲劳检测方法的基础上，从机器视觉的角度，对基于人脸图像分析的疲劳驾驶检测方法进行深入研究，并采用目前认为最有效的PERCLOS原理进行疲劳状态分析，本文的主要研究内容包括：1.采用AdaBoost算法进行人脸检测。完成人脸检测后，使用增强图结构模型方法进行人眼定位。2.基于外观模型的人眼闭眼检测研究。对目前最好的几种基于外观的闭眼检测方法进行全面的对比，主要包括人眼对齐、特征提取、分类方法三个关键部分。通过实验我们得出了三个结论：1）融合多样信息可以有效提升系统检测性能；2）使用计算高效的像素灰度值差机制的AdaBoost分类器具有很大潜力；3）眼睛对齐极其重要，它会影响最终分类结果的精度。3.多尺度及噪声情况下人眼闭眼检测研究。考虑到噪声干扰，提出一种基于协方差矩阵的特征提取计算方法，并在两个数据集上进行实验验证，证明该方法对高斯噪声具有较好的抗干扰性。另外针对测试样本多尺度的情况，提出基于HOG的多尺度特征融合技术，两个数据集上的实验同时证明该方法对于性能提升有很大作用。4.基于PERCLOS原理进行疲劳状态分析。计算60s内眼睛闭合帧数占总帧数的百分比，确定合适的阈值进行疲劳状态判断。用对个视频片段在疲劳驾驶系统上进行模拟实验，证明该方法具有良好的实用性。