基于生理信号的警觉度估计方法（Vigilance Estimation）旨在解决公共交通安全中（Public Transportation Safety,PTS）由于驾驶员警觉度水平低下而导致交通事故频发的难题,如何在驾驶场景中确保预测驾驶员警觉度水平的精度与效率,是目前该领域的技术瓶颈。本文针对单模态与多模态不同条件下特征降维与重建的优化方法、学习方法如何同时具备较好的逼近能力与特征学习、如何提高学习方法的训练速度并使外部控制设备能较为准确的识别人类的警觉度水平等关键问题,提出了一系列基于生理特征与深度学习方法（Deep learning,DL）相结合的多模态深度网络模型,综合效率和预测精度达到了国际前沿或领先水平,主要贡献如下:（1）针对现存的多层网络模型只作用于分类应用的问题,提出了一种单模态自编码器深度网络模型（DAESN）,在实现多层网络模型通用功能的基础上,额外实现了特征降维和信号重建的作用。同时,与现有的其它降维方法相比,本模型具有更好的泛化性能。特别地,编码层的当前权值被之前的解码层取代,并且与输入数据非常相关,还可提取到有效的特征以便用于模式识别。因此,本模型的训练时间较其它相关方法快了十几倍甚至几十倍,可以快速地检测出驾驶员的警觉度水平。最后,对连续输出执行均方根误差（RMSE）和相关系数（COR）指标分析,实验结果表明验证了本方法的可行性与优越性。（2）基于神经网络的学习方法对参数组合非常敏感,难以快速的选定最优参数,针对此问题,提出了一种具有子网络节点的双层神经网络模型（DNNSN）,该模型可以在训练开始时随机选择参数,且不影响学习过程中的泛化性能,该模型的性能对参数不敏感,解决了上述难题。同时,针对极限学习机（Extreme Learning Machine,ELM）的单层体系结构在应用于自然信号时可能缺乏有效性的问题,该模型在拥有良好逼近能力的同时,还具有特征学习的能力,极大增强了方法的实用性。此外,在模型的入口层设置了最优的学习率后,其性能在模型得到合理收敛后得到了明显的提升,验证了该方法的有效性。（3）针对传统深度学习网络（DL）迭代过程步骤多和训练时间较长等问题,提出了一种多通道自编码器多模态警觉度估计深度网络模型。该模型包含了少量子网神经元,子网神经元具有特征选择、表示学习、特征降维和信号重建等能力,可有效地解决高维输入特征影响训练速度的问题。同时,模型的隐含层可以通过仅有四个步骤的替换技术计算而来,不需要进行繁冗的迭代过程,大大降低了时间成本,从而提高了模型学习效率。此外,随机生成的多批数据可同时作为多通道自编码器输入,通过子空间特征降维、提取和融合等过程,可成十倍数提高模型的运行速度。最后,本模型使用了方差分析（ANOVA）来评估最终实验结果的统计学意义。通过实验研究表明,该多通道深度学习模型使用的两种池化融合策略均获得了很好的实验结果,超越了如支持向量回归（Support Vector Regression,SVR）和长短期记忆（Long Short-term Memory,LSTM）等国际上先进比较方法,对于与警觉度水平相关的脑电图和眼电图相关活动具有良好的识别力,从而验证了该方法的准确性。本文基于生理特征提取与深度学习等方法,提出了多种有效模型,有望为快速有效地估计驾驶员警觉度水平提供一种新的可行途径,对降低交通事故率具有重要的实际意义。