随着经济发展，交通运输越来越重要，公路里程和机动车保有量的快速增长，间接导致交通事故频繁发生，进而造成巨大损失。根据统计结果显示，驾驶员的精神状态不佳，很容易造成危险驾驶，导致交通事故发生。　　通过分析包含相关信息生理信号，可以了解人体的生理、精神状况，进而采取相应的预防措施。因此，本文基于皮电、心电和呼吸三种生理信号来判断被试者的压力等级，并围绕信号预处理、特征提取、特征选择与降维、分类模型建立等几个问题进行了展开研究，具体研究内容如下:　　(1)针对原始生理信号质量较差的问题，提出了针对生理信号的预处理环节，主要包括了阈值设定、过滤与去噪、去除个体差异性以及数据分段等环节，从而得到质量较高的干净数据，有利于下一步分析。　　(2)为了能够充分提取多源生理信号中的信息，本文利用多模态特征来表征信号，总共提取了154维特征，涉及心电、呼吸和皮电三种生理信号，涵盖了时间域、频域、小波域和非线性四个领域。为了便于后续进行特征选择以及预测模型的建立，继而采用min-max标准化方法对特征集进行归一化，提高模型的精度。　　(3)为了减少特征间的冗余度，缩短计算时间，降低模型的复杂度和提高预测性能，本文选择禁忌搜索算法(Tabu Search，TS)对原始特征集进行特征选择，同时还提出了几点优化。首先采用决策树和稀疏贝叶斯学习产生优质初始解来替代随机产生的初始解，在解的搜索过程中采用了自适应搜索策略，兼顾解的集中性和多样性，并选择了动态可变的禁忌长度。构造适应度函数时既考虑了分类识别率，又兼顾了所选特征数量，最大限度地保证了算法搜索出来的最优解具有低维度的同时能够获得良好的分类性能。此外，还探讨了邻域空间的大小对算法性能的影响，并展示了每种信号的单个最优特征的分类性能。　　(4)为了解决智能优化算法搜索速度慢的问题，本文进而采用了多过滤式算法和禁忌搜索相结合的混合特征选择算法(Multi Filter and Tabu Search Algorithm，MFTS)，整个算法分为过滤式和封装式两个阶段。在过滤式阶段采取了卡方检验、互信息和Wilcoxon检验三种过滤式算法对原始特征集进行综合排序并过滤。封装式阶段采用智能优化算法进一步对过滤式阶段产生的特征子集进行优化，寻找出最终的优化特征子集。最后，将MFTS算法的结果与遗传算法、粒子群算法、序列前向选择算法、序列后向选择算法的结果进行了比较，实验证明MFTS算法在取得优秀的特征降维效果的同时，还获得了良好的分类性能，其算法性能得到验证。　　本文采用多模态生理信号对驾驶员的驾驶状态进行识别，并借助多种特征选择算法有效提高了模型的预测性能和运算效率，预期本课题研究在驾驶员压力状态检测等领域能够具备良好的应用前景。