随着社会经济的不断发展，各国汽车保有量的迅速增加，公路交通事故，特别是恶性交通事故发生率居高不下。研究表明疲劳驾驶是引发道路交通事故的主要原因之一。因此，研究疲劳驾驶实时在线检测方法，对改善道路交通安全具有重大意义。基于驾驶行为和眼动特征融合的疲劳驾驶检测方法克服了单一信息源的局限性，充分考虑了各信息源的相关性和互补性，同时该方法具有非侵入性、准确性和实时性的特点，已成为疲劳驾驶在线实时检测方法中最有效的技术手段之一。然而由于疲劳特征的隐匿性、驾驶场景的易变性和驾驶人的个体差异性，其检测准确率的提高面临诸多挑战。本文围绕疲劳特征分析、特征参数提取、最优时间窗优化、最优特征子集筛选、信息融合及检测模型搭建等核心问题展开研究，开发了疲劳驾驶实时在线检测模型并进行了实验验证。具体研究内容如下：1、实验方案设计和数据采集。基于驾驶模拟实验平台同步记录了20位驾驶人不同驾驶状态下驾驶行为和眼动行为数据，基于KSS标准采用视频专家评分的方法判断驾驶人疲劳水平，根据KSS得分切分实验数据，建立了疲劳驾驶样本数据库。2、驾驶行为特征参数提取。采用统计学方法研究了不同驾驶状态下，方向盘转角、方向盘转角速度、加速踏板开度和车速等驾驶行为特征变量的波动幅度、速度、频度特征，提取量化的特征参数对隐藏在驾驶行为变量时间序列信息中的疲劳特征进行深入挖掘，基于方差分析的方法量化了各特征参数在不同驾驶状态之间差异的显著性水平，优化了各特征参数的最优时间窗。最终筛选出驾驶行为特征参数包括：方向盘转角绝对均值SAMEAN、方向盘转角标准差SASTD、方向盘转角下四分位值均值SAQ1MEAN、方向盘转角上四分位值均值SAQ3MEAN、方向盘转角熵SE、方向盘转角速度绝对值均值SAVMEAN、方向盘转角速度标准差SAVSTD和零速百分比PNS。3、眼动特征参数提取。采用统计学方法研究了不同驾驶状态下，闭眼、注视、扫视等眼动行为的变化规律，提出了反应疲劳驾驶特性的眼动特征参数，基于方差分析的方法量化了各特征参数在不同驾驶状态之间差异的显著性水平，优化了各特征参数的最优时间窗，最终筛选出眼动特征参数包括：P80、闭眼速度AECS、最长闭眼时间MECD、眨眼频率BF和非正常驾驶区域累积注视时间GTFNRD。4、疲劳驾驶通用检测模型搭建。以搭建的支持向量机（SVM）检测模型的分类性能为评价准则，以序列浮动前向选择算法为搜索策略，建立了疲劳特征参数优化选择算法，然后利用该算法对疲劳特征参数全集进行降维，提取了疲劳驾驶最优特征子集。以最优子集作为SVM的输入，搭建了疲劳驾驶通用检测模型，针对不同特征参数最优时间窗的差异，提出了滑移时间窗的数据融合方法，提高了检测实时性，实现了疲劳驾驶在线实时检测。通用检测模型的平均准确率为82.27%，灵敏度为82.54%，特异度为81.94%。5、疲劳驾驶自适应检测模型搭建。基于配对样本t检验和方差分析，量化了驾驶人个体差异性因素对疲劳驾驶检测的影响。基于驾驶人自身稳定性，利用正常驾驶数据提取参考均值，根据特征参数计算个性参数，利用个性参数搭建了自适应检测模型。在驾驶初期阶段利用通用检测模型检测并对自适应检测模型初始化，之后利用自适应检测模型检测驾驶人疲劳状态。自适应检测模型的平均准确率为88.15%，灵敏度为88.25%，特异度为88.02%。论文针对疲劳驾驶检测方法面临的关键技术问题进行了系统深入的研究，分析了疲劳驾驶对驾驶行为和眼动特征的影响，确立了疲劳驾驶检测的特征参数组，并建立了通用检测模型和自适应检测模型，实现了疲劳驾驶在线实时检测。其研究成果能够为疲劳驾驶检测系统应用提供一定的理论和技术支持，提高驾驶人的行车安全性。