在我国综合实力快速发展的影响下,应行业需求,人民出行需求,机动车辆已成为生产生活中的必需品。随着车辆和驾驶人数量的增加,道路交通事故不容忽视,而每年因疲劳驾驶造成的交通事故约占总数的20%。因此全球各国为预防疲劳驾驶进行了众多研究,包含基于生理特征、车辆行为特征、面部特征的三类疲劳驾驶检测研究。其中,基于面部特征的疲劳驾驶检测方法是属于非接触式,最受研究人员和驾驶员的青睐。在本文工作中,我们设计了基于NCS 2和深度学习的面部特征分析的疲劳驾驶智能检测系统,针对目前非接触式疲劳驾驶检测的部分缺陷进行改进,本文的主要工作如下:（1）人脸检测和面部特征关键点定位。根据检测功能需要,设计采用深度学习YOLO目标检测算法训练模型进行人脸检测,再利用局部二值特征算法（LBF）对驾驶员面部进行特征点定位并获取面部特征,同时实现眼部和嘴部区域分割。（2）设计两个基于卷积神经网络的面部特征状态识别网络。第一个眼部特征状态识别网络执行眼部睁开还是闭合的判断,并在CEW人眼数据集上进行训练和测验;第二个嘴部特征状态识别网络执行嘴部张开还是闭合的判断,并在YAWDD的打哈欠数据集上进行训练和测验。（3）建立多疲劳特征相结合的检测模型。根据研究驾驶人员所表现出与疲劳状态相关性较高的闭眼时长、眨眼和打哈欠特征,进行60秒内PERCLOS值、眨眼频率和打哈欠次数三个特征参数设定,建立多疲劳特征相结合的检测模型,有效的避免部分面部特征被遮挡对疲劳驾驶检测方法的影响,提升检测方法的准确率和容错性。（4）部署Intel第二代神经网络计算棒（NCS 2）系统平台。将疲劳驾驶检测系统搭建在第二代神经网络计算棒（NCS 2）上,实现低功耗,“即插即用”,系统方便携带和移植。本文在YAWDD驾驶视频数据集和根据驾驶员驾驶环境特点模拟的视频集进行检测实验,实验结果表明,本文设计的基于深度学习并以面部特征分析为依据的疲劳驾驶检测方法部署在NCS 2系统平台上,检测准确率可达93.3%,且检测方法稳定,具有较高的实用性。