道路交通事故已经成为导致人员非正常伤亡的主要原因,而超过40%的重大交通事故与驾驶员疲劳驾驶有关。研究疲劳驾驶检测技术是减少因疲劳导致的交通事故发生的主要途径,对交通安全具有非常重要的意义。而高频交通数据已逐渐成为常态,因此本文分别从时域(现有研究视角)和时间间隔(基于交通数据的高频特性)的角度对实车驾驶实验数据进行疲劳驾驶的识别,通过量化模型客观分析驾驶行为特征的变化,结合随车观察员对驾驶员面部特征的主观判断来识别驾驶状态。本文主要工作如下:首先,对驾驶行为数据做描述性统计分析。本文运用描述性统计对正常和疲劳(随车观察员实时主观判断)两种状态下的驾驶行为指标进行对比分析,采用顺序浮动后向选择算法筛选具有代表性的特征构造样本特征集,以做疲劳驾驶行为识别研究。其次,从时域的视角出发基于信息融合方法和灰区间聚类方法对实车驾驶数据做疲劳驾驶行为识别研究。本文提出针对实车驾驶数据采用加权投票K-近邻(KNN)方法进行单特征决策层融合后的疲劳驾驶行为检测,同时采用朴素贝叶斯方法对多个驾驶行为特征进行特征层融合后的疲劳驾驶行为检测。针对数据有部分异常或缺失的样本,提出区间灰数填补技术对其进行填补,运用灰区间聚类方法做疲劳驾驶行为检测。分析表明贝叶斯方法比加权投票KNN算法的识别效果稍好,区间灰数填补后的灰区间聚类方法识别准确率也较高,能够有效的利用有缺失数据的信息。最后,从时间间隔的视角基于Grey-LogACD耦合模型研究车速变化持续期与疲劳程度的关系。本文提出车速变化持续期的概念来刻画车速变化状态,运用经典自回归条件持续期模型(ACD)来对车速变化持续期的波动进行拟合,将疲劳程度因子引入LogACD模型中,考虑到车速变化持续期的灰色特性,运用分数阶灰色模型对模型残差进行修正,建立Grey-LogACD耦合模型研究车速变化持续期与疲劳程度的关系。结果表明,Grey-LogACD耦合模型比LogACD模型对车速变化持续期的波动拟合效果更好,随着疲劳程度的提升,车速变化持续期的均值也会越来越大。