疲劳驾驶检测是各科研机构的重点研究领域,在众多研究成果中,基于驾驶员面部特征的检测是当前疲劳驾驶检测领域的重点研究内容。但是该方法存在检测精度受光照影响比较大、实时性和准确性难以权衡、单一疲劳驾驶判断因素的误差比较大等问题。因此,本文提出一种能够有效提高弱光条件下的检测精度、多特征融合判断、很好权衡实时性和准确性的驾驶员疲劳驾驶检测算法。研究内容如下:（1）针对驾驶员疲劳驾驶的情况主要出现在夜间,此时光线比较暗,驾驶员的眼部与嘴部等特征不明显,影响其状态的识别精度。因此,在图像进入人脸检测与提取之前,先对图像进行处理,提高图像质量,从而提高后续眼睛睁闭状态和嘴巴张开状态的识别精度。（2）采用Retina Face算法完成对驾驶员的人脸检测并提取人脸区域图像,采用人脸关键点定位算法,准确获取人脸关键点坐标信息,为驾驶员的头部姿态估计提供相应的关键点坐标。（3）分析卷积神经网络模型搭建的基本流程,以SSD网络模型为基础,结合本文的应用场景,设计了一种用于辨别驾驶员眼睛状态与嘴巴状态的卷积神经网络模型。然后使用自制的数据集,对此模型进行训练,得到最合适的学习率与批处理大小等关键参数值。（4）融合疲劳驾驶检测常采用的参数,比如PERCLOS参数、打哈欠参数和头部姿态异常参数,然后结合本文的实际情况,给出适合本疲劳驾驶检测方法的参数,比如疲劳驾驶时眼部参数阈值、嘴部参数阈值和头部姿态异常阈值,紧接着融合这些疲劳驾驶判断依据信息来建立疲劳驾驶识别模型,能有效提高系统的鲁棒性。经过相应数据集测试,本文的疲劳驾驶检测系统有一定的实际应用价值。