铁路交通是交通运输业的重要枢纽,但其事故将对生命安全与财产安全造成很大威胁。司机疲劳驾驶是引发事故的原因之一,本文提取分析铁路列车司机行车中相关音视频性能特征参数,并结合多信息融合等前沿技术研究了铁路列车司机疲劳驾驶的主要特征,设计在线检测系统、构建数字分析判断模型,实现了疲劳驾驶的在线检测和预警。具体研究内容如下:首先,分析了常见的司机驾驶疲劳状态检测方法的准确性与实用性,给出了驾驶疲劳语音信号的处理方案。收集了语音样本数据,对语音数据进行了预处理。研究了语音疲劳特征参数的提取方法,本文选取了基频均值、短时能量、短时平均过零率以及梅尔倒谱系数四种特征用于对语音信号的疲劳检测。通过研究机器学习算法,给出了一种改进灰狼优化算法（Gai Jin Gray Wolf Optimization,简称GJGWO）。建立了语音多特征-GJGWO-SVC分类检测模型,基于MATLAB平台进行分析,对模型进行了性能测试,分析和验证了语音多特征-GJGWO-SVC分类检测模型的准确率。其次,给出了驾驶疲劳视频信号的处理方案。收集了视频样本数据,提取了眼部和面部的疲劳特征参数。研究了高斯肤色模型,进行了肤色区域的筛选,同时通过Adaboost分类器和Haar特征算法进行了人脸区域检测,本文选用图像特征方法对人眼进行定位和开合度识别。根据三庭五眼规律,研究了嘴部定位和开合度检测。本文提取眼部闭合时间百分比、平均闭眼速度、最大持续闭眼时间、平均睁眼程度和眨眼频率等眼部特征以及哈欠特征用于对视频信号的疲劳检测。建立了眼睛多特征-GJGWO-SVC分类检测模型,采集不同疲劳状态下面部视频样本,分析和验证了疲劳分类时模型的准确率。然后,通过研究信息融合的原理及方案,研究了一种基于决策层融合和特征层融合结合的方法,给出了驾驶疲劳语音和视频多信息融合检测方案。根据贝叶斯网络概率的有关理论设计出司机疲劳驾驶推断的动态贝叶斯网络结构,构建了一个数字分析判断模型,通过计算语音特征、眼部特征和哈欠特征三种特征层表现节点的贝叶斯网络参数,结合动态贝叶斯网络（Dynamic Bayesian Network,DBN）公式并经过多信息融合后求得司机驾驶疲劳的具体概率,对概率的数值进行比较与分析后得到汇总结果。最后,设计了疲劳驾驶在线检测系统。基于Python3.7平台进行了实时性能的验证。分析了单一疲劳特征出现的判决结果和多种疲劳特征同时发生时的判决结果。通过分类混淆矩阵验证了模型准确率达96%以上。实验结果表明,该系统可以根据驾驶疲劳的先验概率动态调节疲劳判断标准,在整体上具有良好的灵敏度和鲁棒性。