疲劳驾驶作为交通事故的重要诱发因素之一,严重妨害驾驶员的生命和财产安全,对其的识别、检测和预警为交通安全领域的核心研究点之一。现阶段对疲劳状态的识别研究方向主要可归纳为三类：基于脑电等传统生理信息的检测方法具有最准确的识别效果,但一般采用接触式测量,影响驾驶员的正常工作；基于传统面部特征的检测手段,不影响驾驶员的正常操作,但单一视频信号易受外部环境影响,导致其信息采集异常、识别准确率低；基于操纵行为和车辆运行状态的检测方法,结构简单、成本低廉、实时性强,但抗干扰性能差,可靠性低,易于引起疲劳状态的误检和漏检。针对单一信号源的监测技术稳定性不足、易受外界环境影响等问题,本文根据前述研究现状,结合机器学习、图像处理与生理信号处理等领域进展,提出一种基于多信息融合的疲劳状态监测算法模型。融合图像和脉搏两类信息源,提取人脸图像中的眼部状态特征和脉搏信号的时、频域信息参数,综合两类特征构建融合特征向量空间,使用基于PCA和SVM的方法建立疲劳状态识别决策器,最终实现对人体疲劳状态的监测和识别。本文的主要工作成果如下：设计了完整的模拟驾驶疲劳状态激发实验,并进行了数据采集工作。本文全面考虑实验过程中的各种问题,搭建自然逼真的实验环境,采用准确可靠的数据采集设备,选取具有普遍代表性的被试者,严谨而客观地进行状态激发、模拟驾驶和数据采集工作。使用基于肤色分割和灰度积分投影的方法实现对人眼状态特征的计算。基于肤色分割在图像中分割出人脸图像,在识别出人脸图像的基础上,使用灰度积分投影实现对人眼的定位,分离出人眼图像,进而计算出PERCLOS、开合度和眨眼次数等多个反映人眼状态的特征参数。使用基于小波变换的方法实现对脉搏信号时、频域特征的计算。基于db6小波的解构和重构实现对脉搏信号的降噪、滤波等预处理,然后采用自适应阈值法实现对滤波后的脉搏信号波峰特征点的定位,在识别出峰值点后,提取脉搏信号时域和频域上的AVNN、SDNN、HF、LF等多个特征参数。基于信息融合、主成分分析和支持向量机实现疲劳状态识别的决策器构建。对于计算和提取出的人眼状态和脉搏信号两类特征,融合建立特征向量空间,通过PCA将22维信号特征向量转化为8维主成分特征向量,通过SVM训练得到疲劳状态模式识别决策器,构建疲劳状态监测模型,结合前述计算得到的特征向量数据,从多个角度验证、评估和分析整个算法模型的识别效果。