随着社会的飞速发展,人们的生活水平不断提高,汽车已成为日常出行中重要的交通工具。然而,汽车在给人们日常出行带来便捷与享受的同时,也激增了交通事故的发生率,尤其是因驾驶疲劳导致的交通事故频发。可见,对驾驶员驾车过程中的疲劳状态进行有效的监测对于减少或避免交通事故具有重要的现实意义。目前基于多生理信号的驾驶疲劳评估方法的研究已经得到广泛关注,然而已有的方法存在驾驶疲劳评估准确率有待提高且受个体差异性影响等局限。为此,本文提出了基于脑电、心电和肌电特征融合及迁移学习的驾驶疲劳评估方法,并将该方法应用到驾驶疲劳评估系统中,本文的具体工作如下:首先,介绍了当前国内外驾驶疲劳评估方法的研究现状和发展趋势,进而提出了基于多生理信息融合及迁移学习的研究内容;分析了驾驶疲劳的产生机理和影响因素;介绍了生理信号的产生原理及特点,以及从机理上分析了生理信号与驾驶疲劳的相关性。其次,基于模拟驾驶平台设计实验范式,同步采集20名驾驶员的脑电、心电和肌电信号;分析了各生理信号的伪迹干扰,利用滤波器和独立分量分析去除伪迹噪声干扰;并引入小波样本熵提取脑电非线性疲劳指标,基于功率谱和近似熵提取肌电频域指标和非线性指标,基于时频分析方法提取心电信号的心率和心率变异性,并将各疲劳指标进行特征融合。再次,针对不同驾驶员的生理信号疲劳指标分布差异性的问题,提出了基于迁移学习与决策级融合的驾驶疲劳评估方法。引入特征空间内大间隔映射(Large Margin Projected,LMPROJ)的迁移学习方法实现单一源域到目标域的疲劳状态识别;利用加权投票法将上述多个单一源域到目标域疲劳状态的评估结果进行决策级融合,提高驾驶疲劳评估的准确性和鲁棒性。最后,设计了基于多生理信息及迁移学习的驾驶疲劳评估系统,包括系统的软硬件功能设计及实现,并将本文提出的驾驶疲劳评估方法应用到该系统之中。为了验证该方法的优越性,设计对比实验,实验结果表明,本文提出的基于迁移学习的驾驶疲劳评估方法具有较高的准确性和鲁棒性。