疲劳是一种复杂的状态,表现为缺乏警觉性和精神、生理功能的降低,往往伴随着昏昏欲睡。驾驶员的疲劳是引起交通事故的重要因素。研究表明,交通事故伤亡中20%-30%是由疲劳引起的。近年来,驾驶员疲劳驾驶问题已受到世界各国越来越多研究人员的关注,其中针对疲劳驾驶检测方法而进行的研究更具重要的现实意义。本文通过疲劳的神经生物学基础,进行了疲劳信号的空间特性的分析。基于空间特性,进行信号的特征提取。使用脑电(EEG)、眼电(EOG)、肌电(EMG)信号进行实时分析,并采用基于小波时频图和Hilbert-Huang变换(Hilbert-Huang Transform, HHT)的时频分析方法和Shannon熵、近似熵、样本熵的复杂度分析方法对驾驶疲劳进行检测和识别。结果显示出在不同的疲劳阶段这些时程变化的明确模式。根据这些模式,本研究将疲劳程度分为：正常,轻度疲劳,情绪波动和极度疲劳四种状态。根据特征提取的效果,采用Shanno熵对EEG信号反映出的情绪波动进行分析,采用样本熵对EEG信号的疲劳时间进行分析,采用近似熵对EMG信号疲劳时间进行分析,采用小波时频尺度图对EOG信号的疲劳时间进行分析,用复杂度计算区分出有无驾驶经验,设计出综合算法提取三种信号的特征。设计多层神经网络分类器对提取出的特征进行分类。只使用EEG计算的正确率为94-96%左右,而同时使用EEG、EOG、EMG信号的正确率大约为97-99%。