疲劳驾驶引起的交通事故给人们带来了惨痛的损失。如何快速获得驾驶员的疲劳特征，如何检测其疲劳等级，已成为疲劳检测研究领域的热点。我国对其研究起步较晚，预防疲劳驾驶的检测技术尚不完善，因此研究一种快速高效的疲劳驾驶检测方法对于预防疲劳驾驶有着重要的意义和实用价值。在这项研究中，作者提出了一种基于神经网络多特征融合的疲劳检测方法。论文主要研究工作有：
　　1.图像预处理和人脸检测与面部特征提取。因为图像在采集和存储过程中会受到噪声和光照等影响导致图像质量下降。因此必需要对图像去噪和光照均衡处理。然后使用MTCNN(Multi-task convolutional neural network)进行人脸检测，可以获得面部5个关键点。在获得面部关键点后，提取面部嘴巴和眼睛区域。
　　2.提出了一个基于卷积神经网络的SC-Net(small state classification network)和一个基于卷积神经网络和长短期记忆网络的HP-LSTM(hope long short-term memory model)。通过SC-Net识别提取的眼睛和嘴巴区域，可以检测到眼睛和嘴巴的状态。在进行人脸识别的同时，通过HP-LSTM对图像序列进行头部姿态估计，可以获得当前帧图像是否处于点头动作区间的概率值。经对比发现使用基于卷积神经网络的方法识别面部特征状态和估计头部姿态的准确率高。
　　3.根据眼、嘴、头的面部特征状态，提出了一种多特征加权和的疲劳检测方法，并构建了疲劳检测评估基准。将获得的点头状态参数、眨眼频率参数、PERCLOS(Percent EyeClosure)参数、持续闭眼时间参数、打哈欠参数加权求和，获得最终的疲劳特征值，评估驾驶员的状态等级。实验结果表明，我们的方法对复杂环境具有高鲁棒性，可以有效地检测疲劳。