随着车辆的增多和生产生活的快节奏,由疲劳驾驶造成的交通安全事故频繁发生,对人们的生命和财产安全造成了巨大的威胁。因此研究一种快速精确的疲劳驾驶检测系统对于提高驾驶的安全性具有重要的意义。针对现有的检测方法存在检测精确度低、实时性差、鲁棒性差等问题,结合目前流行的计算机视觉技术,本文对基于深度学习技术的疲劳驾驶状态检测的算法进行研究,本文研究内容如下:（1）驾驶员人脸区域位置检测算法研究。针对实时检测人脸区域位置问题,提出了一种改进Retina Net算法的快速人脸区域位置检测算法。该算法在图像特征金字塔的浅层检测层淘汰简单的否定锚点以减少第二步分类的搜索空间;在图像特征金字塔的高层检测层调整锚点的位置和大小以提高第二步回归边界框的定位精度;设计了基于Inception Net思想和Res Net的短连接结构的轻量级的增强感受野结构,以框选出最有效的人脸区域位置,并有效地检测出极端姿势下的人脸。（2）驾驶员面部关键信息检测和人脸跟踪算法研究。设计了一种轻量级特征提取单元结构,基于该单元结构设计了面部关键信息检测和人脸跟踪的骨干网络结构,面部关键信息检测包含面部关键点检测和头部姿态估计。根据多任务学习的思想,将面部关键信息检测任务和人脸跟踪任务使用同一个网络联合学习,提高了姿态变化条件下面部关键信息的检测精度。将由面部关键点坐标生成的热图作为特征共享于人脸跟踪分支和头部姿态估计分支,使得在保证模型的整体运行速度的前提下得到更精确的头部姿态估计和更高的人脸跟踪的精确度。（3）驾驶员疲劳检测算法研究。针对实时检测驾驶员疲劳任务,设计了基于多特征融合的时空疲劳特征序列的疲劳检测算法。该算法首先提取多个面部疲劳特征,包括眼睛、嘴巴和头部姿态,再拼接视频中多帧图像的面部疲劳特征向量以组建时空疲劳特征序列,最后根据长短时记忆网络思想设计了驾驶员疲劳检测网络以对驾驶员的疲劳状态做出分类判断。由实验可知,本文设计的疲劳检测算法精度高达91.2%,同时也满足了疲劳驾驶检测的实时性的要求。