近年来,随着世界各国经济的飞速发展,机动车数量正迅速地增加,而由此导致的道路交通安全事故也引起了大众足够的重视。研究表明,当处于疲劳状态的司机在驾驶车辆时,他对道路形势的判断能力和对机动车辆的操控能力都会有很大程度的下降,此种情况则极易发生重大交通事故。统计资料显示,每年发生的道路安全事故中有一半是由驾驶员的疲劳状态导致,由此可以看出,疲劳驾驶已成为道路交通安全的重大威胁之一。本文结合应用数学和计算机视觉相关知识,建立数学模型实现驾驶员疲劳状态的检测。本研究的核心内容有：眼部重要特征点的定位；三种可以权衡司机呆滞状态的眼睛参数的计算；基于多种信息融合模型的建立。本研究需要检测的眼部关键点有：瞳孔中心点、内外眼角点和普尔钦光斑中心。在眼角点定位之前首先进行USM锐化处理,这样会在一定程度上缩小角点检测的区域,然后利用基于纹理信息的Gabor目角滤波器,在粗定位区域内实现眼角的精确定位；统计普尔钦斑点区域的特征,以此为依据迭代过滤得到真正的普尔钦斑点区域,利用基于最小二乘的圆拟合算法得到其中心坐标；在此基础上计算三种眼部疲劳特征参数,即眨眼频率,眼睛持续闭合时间和视线偏移角度；使用支持向量机模型融合上述三种参数进行司机困倦状态的判定。在实验中,首先设计一系列的实验得到了本文的重要眼睛特征点,然后基于特征点的位置进行实验计算本文需要的三种疲劳特征参数,最后进行的实验说明了本文方法的优越性：以往的检测算法只基于一种疲劳特征参数即眨眼频率或PERCLOS参数,识别率为92%左右,本文使用的基于支持向量机的三种信息融合方法将识别率提高到97%,这些数据说明本文应用的多种信息融合算法提高了疲劳驾驶检测结果的准确性和系统的鲁棒性。