疲劳驾驶是造成严重交通事故的主要原因之一。研究驾驶人疲劳状态实时检测方法，对改善道路交通安全具有重大意义。通过分析驾驶人不同疲劳状态下的转向操作特性，可以实现对驾驶人疲劳状态的有效估计。该技术为非接触式检测，且不受光照等因素影响，具有很高的实用价值。然而，在实际研究当中，受疲劳特征的隐匿性、驾驶人操作特性的个体差异性以及道路行驶环境的复杂性等诸多因素的影响，对驾驶人疲劳状态实施有效检测仍存在较多的难题。本文以建立高性能的驾驶人疲劳状态实时检测算法为目标，围绕疲劳操作特性分析、特征指标抽取、最优指标筛选、疲劳模式推断等问题展开研究，建立了驾驶人疲劳状态检测方法，并对该方法进行了验证。本文深入分析了驾驶人不同疲劳状态下的转向操作和车辆状态变量的波动幅度、速度、频度的变化特性，抽取量化的疲劳判别指标对隐藏在操作特性变量时间序列信息中的疲劳特征进行深入挖掘，并采用统计学方法对疲劳判别指标的差异显著性进行了检验。为对疲劳判别指标进行优化降维，以支持向量机算法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，建立了疲劳判别指标优化选择算法；利用该算法从疲劳判别指标全集中筛选出最优子集，并以此为输入，基于支持向量机算法建立了疲劳检测模型。结果表明，该模型将驾驶人的疲劳状态分为清醒、疲劳、非常疲劳三类识别率为86.1%。考虑驾驶人操作特性的个体差异性，利用驾驶人开始驾驶后的一段清醒数据作为参考数据，将从参考数据抽取的疲劳判别指标的均值作为参考指标，以疲劳判别指标与参考指标的比值作为个性指标，利用个性指标建立了考虑个体差异性的疲劳检测模型，该模型对驾驶人疲劳状态的识别率为87.7%。考虑换线操作对疲劳检测的影响，将车辆偏出车道事件分为主动换线和疲劳导致的车道偏离两类，通过分析正常换线和疲劳车道偏离的转向操作和车辆状态特性，抽取量化的判别指标对这些特性进行测量，并利用指标优化选择算法对判别指标进行优化降维，建立了车辆偏出车道时的疲劳检测模型，该模型在车辆偏出车道时对驾驶人的疲劳状态进行判别，取得了较优的识别结果。