随着我国经济快速发展,各类汽车销量稳步增长,人们的驾驶时间也变得越来越长,长时间驾驶导致疲劳驾驶事件层出不穷。疲劳检测具有容易普及、跟踪检测、实时性强等特点,是减少疲劳驾驶最有效的方法。目前,单一特征疲劳检测方法受环境和个体差异影响较大,具有较大局限性。因此,一种有效的多特征疲劳检测方法对保障道路行车安全具有重大的现实意义。本文通过信息融合的方法将图像信号与脑电信号的多种特征作为疲劳检测特征在决策层进行融合,搭建一种准确率更高、稳定性更强、更可靠的疲劳检测模型。具体过程如下:1)通过模拟驾驶获得疲劳与非疲劳驾驶状态下的脑电数据和图像数据。通过剔除无效数据、数据分割与同步、数据标注的预处理方法对数据集进行整理,共得到疲劳样本652个,非疲劳样本共446个。2)将模拟驾驶中获得的原始脑电信号进行0.5～32HZ滤波,使用独立成分分析进行伪迹去除的操作获得可用于疲劳检测的脑电信号。通过离散小波变换分解重构提取到δ、θ、α、β四种节律并计算出四种节律的相对小波能量。以α/β、（δ+θ）/（α+β）、δ波与α波的小波能量作为SVM输入对进行疲劳分类,发现上述小波能量作为脑电疲劳特征检测效果良好。3)对图像进行图像灰度化、中值滤波、直方图均衡化的预处理后,使用基于MITEx人脸库训练的AdaBoost算法方式快速并准确定位人脸,结合使用HELEN194数据库训练的194点ASM模型提取到人眼详细特征,确定以PERCLOSE值、眨眼频率作为图像疲劳检测特征。4)对比综合特征与独立特征两种不同的融合模型效果后,选择检测效果更好的综合特征模型作为本文的信息融合模型。针对传统D-S证据理论对矛盾证据处理效果较差的问题,本文使用了改进的D-S证据理论作为决策层融合方法。以支持向量机软分类输出作为改进D-S证据理论的基本概率分配来源,实现决策层数据融合,建立疲劳检测模型。经过测试,单一脑电疲劳识别准确率为85.5%,单一图像识别准确率为69.8%,基于疲劳检测模型识别准确率为91.3%。本文研究结合脑电疲劳特征与图像疲劳特征的多特征疲劳检测方法,相对于单一脑电检测方法或单一图像检测方法有更高的检测准确率,并且综合性能得到提升。