近年来,随着汽车数量的日益增加,交通事故的发生率也在不断提高。疲劳驾驶作为诱发交通事故的主要因素之一,研究如何对其进行快速、准确地检测具有非常重要的现实意义。由于眼部特征与疲劳状态的相关性最好,因此眼睛的定位以及状态判别是疲劳检测中的关键步骤,然而传统的方法却极易受到光照变化、遮挡、姿势等因素的影响。针对以上问题,本文通过将眼部特征与深度学习方法相结合来进行疲劳驾驶检测的研究,其中主要包括人脸检测、人眼定位、眼睛状态识别和疲劳判定等。首先,通过深度学习MTCNN人脸检测算法对驾驶员面部进行检测;其次,针对MTCNN在人眼定位方面的不足提出了一种基于多任务约束学习的眼睛定位网络模型;然后对LeNet-5模型进行了变体以形成驾驶员眼部状态识别网络,得到眼睛状态后再通过计算PERCLOS值与眨眼频率来判定驾驶员的疲劳状态;最后利用PyQt5和Tensorflow实现基于眼部特征的疲劳驾驶检测系统。本文对疲劳驾驶检测系统的各个模块分别进行了相关实验,实验结果表明:在人脸检测方面,MTCNN算法相比于FDDB和WIDER FACE人脸检测基准上的其它方法具有更加良好的准确性和实时性,且对于复杂背景、光照等影响也具有较好的鲁棒性。人眼定位方面,相比于传统的级联CNN方法,本文所提出的基于多任务约束学习的眼睛定位网络模型不仅在头部姿势变化、佩戴眼镜等情况下可以实现更好的定位效果,而且实时性更强。眼睛状态识别方面,本文的眼睛状态识别网络模型的平均识别准确率和AUC分别可达到97.28%和99.49%。与单纯的采用PERCLOS来判定疲劳相比,通过将PERCLOS和眨眼频率相结合可以得到更加精确的疲劳状态判定结果,其中在佩戴眼镜与未佩戴眼镜下的疲劳状态判定准确率分别为95.23%和96.75%,而且本文所实现的疲劳驾驶检测系统基本能够满足实时性的要求。