随着时代的进步和经济的发展，人们的生活质量在不断地提高。汽车作为一种常见的代步工具，在赋予人们便利的同时，也带来了一系列的交通事故问题。疲劳驾驶是解决交通事故问题必须面对的要素之一。研究更合理高效的疲劳驾驶检测方法，可以使人们更好地避免交通事故，提高出行效率，保障人们的生命财产安全。　　生理信号可以客观、可靠地反映人的当前生理状态，因而是检测驾驶疲劳的一个重要手段。使用多种信号的多个特征可以更好地描述驾驶员的驾驶状态，有助于改善使用单种特征和单一信号时，可信度不高、可靠性差的缺点。然而，过多的特征可能会导致正确率下降、分类模型复杂、可解释性差、“维数灾难”等问题。同时，采集不同的信号需要驾驶员佩戴不同的传感器，不但会增加硬件费用，还可能给驾驶员的操作带来影响。所以，在获取多源生理信号后，如何选择及利用这些信号和数据是一个值得关注的问题，这也是本文的主要研究内容，具体分为以下几个部分:　　首先，根据研究目的和需要，搭建模拟驾驶实验平台，并设计模拟驾驶实验方案。通过实验获取了驾驶员在驾驶过程中的肌电(EMG)、皮电(SC)、呼吸(Resp)和脉搏(BVP)4种生理信号。根据被试在实验中填写的主观调查问卷结果和被试在实验过程中的表现，从原始数据中截取了清醒、过渡和疲劳三种状态的样本。从时域、频域和时频域3个方面，提取了73种特征，为后续的研究内容提供了数据基础。　　其次，从数据融合的视角切入，结合支持向量机和决策树等机器学习理论，分别从特征级数据融合、决策级数据融合两个层面建立了疲劳驾驶检测模型。同时，对比了单一特征、单种信号和多源信号数据融合几种情况下的疲劳驾驶检测效果。结果表明多源信号的数据融合有效提高了分类性能。　　最后，分别使用filter和wrapper两种特征选择思路来简化使用的特征集。第一种方法使用k-means聚类算法对基于特征排序的特征选择方法进行了改进，并对比了4种过滤式方法在改进前后的特征选择效果。第二种方法则是基于灰狼算法的封装式特征选择方法。该部分利用佳点集理论生成初始种群，借助转化函数将原始的灰狼算法改为二进制版本，在适应度函数中加入选择特征数作为惩罚项，有效减少了使用的特征数。在此基础上，进一步考虑了信号的选择问题，将使用的信号数也作为惩罚项加入到适应度函数中，并在可行解的编码上增加了信号选择位，有效提高了信号选择的效率。