随着科技的发展，汽车总量增多，恶性交通事故发生频繁。如果在司机疲劳时及时给出预警提醒，可以避免很多交通事故，因此，司机疲劳检测对改善道路交通安全意义深远。本课题对国内外司机疲劳检测方法进行分析和总结，因为司机疲劳特征具有隐匿性、驾驶环境的易变性和司机个体的差异性，仅使用单一特征或单一通道信息来判别司机的疲劳状态存在一定的局限性，为此提出分层次的多通道信息融合算法。　　首先对人脸采用主流的Adaboost算法进行检测，高效、精准的人脸检测是后续疲劳特征提取的基础。为了缩短特征指标的提取时间，利用人脸的构造“三庭五眼”标准快速的找到眼睛和嘴巴的大致范围，选取眨眼频率BF、眼睑闭合程度P80和打哈欠频率HQ，采用支持向量机（SVM）算法建立初步的疲劳判别模型，该模型的判别结果达88.33%。其次针对转角传感器在测量转角过程中存在安装困难、对司机产生干扰和移植性差等问题，提出基于方向盘图像来测定方向盘转角的方法。选取两个指标零速百分比PNS和角度标准差?，采用Fisher线性判别算法建立初步的疲劳判别模型，该模型的判别结果达82.22%。最后D-S证据理论在处理不确定性问题有其独特的优势，特别适合决策级信息融合，对基于司机生理反应特征和基于司机操作行为这两源通道信息进行决策级信息融合并建立最终的疲劳判别模型，该模型的判别结果达92.78%。　　实验判别结果可以表明，基于司机生理反应特征与基于司机操作行为的疲劳判别中的失效样本点较多于综合考虑两源通道信息融合的疲劳判别。该方法充分考虑了各信息源之间的互补性和相关性，准确率明显得到提高，可以作为司机疲劳状态的判别依据。