疲劳驾驶是造成交通事故的几大主要原因之一。针对噪声影响下疲劳驾驶识别模型性能大幅度下降,难以在实际应用中达到理想效果的问题。本文致力于解决如何在任意通道脑电信号遭受噪声影响下保持疲劳驾驶识别模型的稳定性问题,建立了基于深度卷积神经网络去噪并动态构建功能脑网络的疲劳驾驶识别框架。框架中提出了残差卷积脑电波降噪网络、以奇异值熵和分形维数为特征的动态功能脑网络构建方法和基于B样条曲线的图空间卷积功能脑网络分类模型,分析了该框架在疲劳驾驶识别上的准确性和噪声环境下的稳定性。课题的主要研究内容和阶段性研究成果如下:（1）针对实际应用中脑电波信号遭受的噪声类型和幅值不确定,传统去噪方法难以适应复杂情况的问题。本文研究了基于深度学习的脑电波去噪方法,通过对基本全连接去噪编码器的不足之处进行改进,提出了基于一维卷积的残差卷积脑电波去噪网络。该网络通过残差结构从脑电信号中去除有效信号得到噪声的估计,再从原始信号中减去噪声得到重构的干净脑电信号。测试结果表明,本文提出的去噪网络在多种类型噪声和不同幅值噪声情况下取得相较于其他方法更好的效果。（2）针对传统功能脑网络无法直接利用分类器识别的问题,提出了基于图神经网络的功能脑网络分类方法。该方法利用B样条曲线去构建图结构的空间域卷积,然后将脑电波信号提取的奇异值熵和分型维数特征结合功能脑网络直接分类。最后将本文方法和常用方法进行对比,实验结果表明,本文使用的奇异值熵和分型维数特征在疲劳驾驶识别上的效果优于常用特征,且基于B样条曲线功能脑网络方法相较于其他分类器有更稳定且准确的识别效果。（3）针对噪声影响下疲劳驾驶识别模型性能大幅度下降的问题,构建了一套稳定识别疲劳驾驶的框架。该框架首先利用提出的卷积去噪网络对所有脑电波信号进行无差别的去噪,然后利用去噪后的脑电波信号动态构建功能脑网络和提取特征,最后利用图神经网络识别模型对功能脑网络和脑电特征直接进行分类识别。本文对该框架在多种通道数和多种信噪比噪声影响情况下的识别稳定性进行了测试和验证,实验结果表明该框架可以在各种情况下均表现稳定且有效的识别效果。