智能汽车在当下以及未来一段时间仍然需要驾驶员的操控和监管,由于驾驶员疲劳驾驶引发的道路交通事故使得人们的生命财产安全受到了严重的威胁。如何提前准确监测到驾驶员处于疲劳驾驶状态并发出预警或者采取主动安全措施,以此来尽可能地避免交通事故的发生已成为目前疲劳驾驶监测系统研究领域中的一大热点。本文对国内外现有的驾驶员疲劳监测系统进行研究后,提出一种基于驾驶员面部信息和头部信息,以及车辆与车道的相对位置信息相融合的监测系统。主要研究工作有:（1）构建驾驶员清醒和疲劳状态数据库。为获取驾驶员清醒和疲劳状态下的面部信息和头部信息,以及车辆与车道相对位置信息,本文基于实验室已有的静态驾驶模拟实验平台设计了完整的实验方案并进行了相关基础数据的采集工作,构建了用于本文研究的基础数据库。（2）基于机器视觉的车辆与车道相对位置监测。针对驾驶员疲劳状态下车辆横向位置的变化,本文提出基于单目摄像头检测车辆所在车道的车道线,通过最小二乘法拟合出车道线二次曲线方程,再通过车道线的相关信息计算出车辆与车道中心点的相对距离,根据车辆与车道相对位置的变化情况来判断驾驶员的驾驶状态。（3）基于驾驶员面部和头部信息的疲劳监测。对于面部疲劳状态的识别,主要通过方向梯度直方图识别出人脸,再基于回归树的方法定位出人脸68个关键点,通过眼部关键点计算出眼部的纵横比,以此来判断驾驶员是否眨眼;通过嘴部关键点计算出嘴部的纵横比,以此来判断驾驶员是否打哈欠,对于头部疲劳状态的识别,通过头部三个方向的欧拉角的计算,判断出驾驶员头部姿态。（4）基于多信息融合的疲劳监测模型。根据驾驶员眼部、嘴部、头部的疲劳特征,以及车辆与车道相对位置的变化,提出了一种基于支持向量机的驾驶员清醒和疲劳状态分类模型。通过眨眼检测得到眼部纵横比;通过打哈欠检测得到嘴部纵横比;通过分析头部姿态得到头部俯仰角;通过机器视觉检测出车辆与车道中心的相对距离。将这些指标作为模型的输入来评估驾驶员驾驶状态。经实验测试表明模型识别准确率为91.42%,召回率为92.17%,精确率为90.60%。