疲劳会使司机在驾驶时产生睡意,这是交通事故发生的重要原因之一。因此如果能够监测司机的实时状态,在其有睡意的时候给予警告,可以有效预防交通事故的发生。当前存在的嗜睡检测技术大致可以分为三类:（1）基于车辆参数的检测技术;（2）基于生理参数的检测技术;（3）基于视觉特征的检测技术。基于视觉特征的检测技术仅需要车载摄像头对司机的驾驶状态进行监控,相比于基于生理参数的方法所需成本更低,且不会影响司机的正常驾驶。而且基于视觉特征的检测技术是直接监控司机的面部表情,与基于车辆参数的检测技术相比更加可靠,受到司机驾驶习惯的影响更低。所以本文采用基于视觉特征的技术进行司机嗜睡检测研究,通过司机的面部表情以及头部的动作判断司机在驾驶过程中是否产生了睡意。传统的方法采用手工制作的特征提取面部信息,但这样提取出来的特征过程复杂,依赖具体任务,可移植性差。因此本文采用了深度学习的方式提取面部特征,基于卷积神经网络（Convolutional Neural Network,CNN）提出了两种嗜睡检测方案:（1）本文提出了一个基于司机嗜睡动作识别模型（Drowsiness Action Recognition Model,DARM）。该模型基于三维卷积神经网络（3D Convolutional Neural Network）,能够识别出四种动作,包含一个非嗜睡动作和三个嗜睡动作。然后,将光流输入到模型中进一步提取运动信息,提高了嗜睡检测的正确率。最后在NTHU-DDD（National Tsinghua University Driver Drowsiness Detection）数据上进行了验证该模型的性能,实验结果显示正确率达到了86.6%,优于现有的方法。（2）本文提出了一种基于微调TEA（Temporal Excitation and Aggregation）网络的检测方法。该方法首先使用多任务级联卷积神经网络（MTCNN）进行脸部特征的提取,去除背景等冗余信息。然后提取出来的图像输入到TEA网络中进行司机嗜睡动作识别,该网络包含了ME（motion excitation）块和MTA（multiple temporal aggregation）块,能够很好的进行时间信息建模,与同类算法相比拥有更好的性能。