疲劳驾驶给道路交通安全以及交通参与者的生命财产安全带来了巨大威胁,开展疲劳驾驶检测方法研究旨在及时检测到驾驶员的疲劳状态,减少因疲劳驾驶引发的交通事故的数量,对提高汽车主动安全和道路交通安全具有重要意义。本文对国内外疲劳驾驶检测方法的研究现状进行了深入调研,发现基于单一特征建立的疲劳驾驶检测方法准确率低、鲁棒性差,且大多数方法忽略了数据的时序特性和上下文信息。针对这些问题,本文开展了基于多特征融合和长短期记忆(Long Short-Term Memory,LSTM)网络的疲劳驾驶检测方法研究。本文的主要研究内容与创新点包括:1.设计一个新的大规模疲劳驾驶检测数据集(Large-Scale Drowsiness Driving Detection Dataset,简称LSD4)。LSD4数据集由摄像机和驾驶模拟器同步采集的驾驶员面部视频数据和车辆方向盘转角数据组成,为提高数据集的数据多样性,该数据集分别在不同光照条件(白天和夜晚)、不同道路条件(高速路和城市道路)以及不同驾驶员面部遮挡情况(戴眼镜、戴墨镜以及无遮挡)下进行了数据采集;2.疲劳驾驶特征提取。基于驾驶员面部视频数据,本文首先利用DSFD网络进行驾驶员面部检测,然后根据检测结果裁剪出驾驶员面部区域以消除背景信息的干扰,最后设计驾驶员面部特征提取网络(Driver Facial Feature Extraction Network,简称DFFENet)从驾驶员面部区域图像中提取驾驶员面部特征;基于车辆方向盘转角数据,本文结合信号分析技术,对不同驾驶状态下采集的方向盘转角数据进行时域和幅值特性分析,根据分析结果提取车辆转向特征,并通过单因素方差分析法确定特征提取过程中的最优参数;3.疲劳驾驶检测模型建立。首先,在疲劳驾驶特征提取工作的基础上,将驾驶员面部特征与车辆转向特征融合,实现了“驾驶员-车辆”联合建模。其次,考虑到驾驶员疲劳的产生是一个长时间的动态的生理变化过程,本文设计LSTM网络来处理融合特征序列,通过利用融合特征序列的时序特性和上下文信息,实现了驾驶员疲劳产生过程的动态模拟。基于多特征融合和LSTM网络,本文最终提出一种准确、鲁棒的疲劳驾驶检测模型。设计实验对提出的疲劳驾驶检测模型的性能进行测试和验证。实验结果表明模型的准确率为97.26%,并且在各种驾驶场景下都能取得稳定的表现,验证了本文提出的疲劳驾驶检测方法的准确性和鲁棒性。