随着交通运输业和汽车制造业的持续快速发展，人们对出行的要求越来越高，汽车逐渐成为人们日常出行重要的代步工具之一。它给日常生活带来舒适、便捷的同时，随之产生的交通事故直接危害驾驶员和他人的生命财产安全。研究数据表明，疲劳驾驶导致交通事故的比例逐年攀升。越来越多的研究人员开始关注能够给予及时预警的疲劳驾驶警示系统，它将为智能车辆安全驾驶提供有力的技术支持，具有相当重要的社会意义与经济价值。　　本文设计的驾驶员疲劳检测系统，应用了数学、图像处理、计算机视觉、医学等相关领域的研究成果，不仅丰富了理论研究，亦能在实际应用中发挥重要作用。系统选取了眼睛状态和心跳速率两种参数，这两个参数能够直接反映驾驶员的疲劳程度。系统融合了基于图像处理算法的眼睛状态检测和基于生理参数的心跳速率检测，采用十折交叉验证的方法对样本进行分类，既保证了系统的准确率，又降低了系统的反应时间。　　眼睛状态检测子系统中，由于图像在采集过程中存在噪声和光线的影响，所以对每一帧图像进行预处理:选取直方图均衡化增强图像局部对比度，同时采用参考白的方法进一步降低光照的影响，采用高斯平滑滤波降低环境噪声的影响。消除噪声和光线的影响后，进行人脸与眼部的检测与跟踪。采用OpenCV中训练好的正面人脸检测级联分类器，实验结果表明在简单的背景下检测准确率可接近100％。系统在准确检测人脸的基础上，研究了现有的眼睛定位算法，提出了基于器官分布的眼睛定位，避免了复杂的检测和跟踪算法，大大简化了算法和时间的复杂度。通过研究目前最有效的车载、实时、非接触的疲劳检测算法PERCLOS，将计算周期由原来的30秒调整为30帧，同时采用了不同的眼睛闭合度的计算方法，提出了PERCLOS的改进算法。实验结果表明，改进算法的实时性有了较大的提高。　　心跳检测子系统中，采用佩戴式心跳检测设备采集实时的心跳速率。分析实时的心跳值，将实时数据与阈值比较，根据概率知识进行疲劳判断。实验结果表明该方法准确率高，但是延迟较大。　　获取同一秒的眼睛状态和心率值，生成二维向量，采用交叉验证的方法对大量的样本数据进行K近邻法分类器的训练。通过性能比较，融合多参数的检测系统在准确率和实时性方面均有提高。