机动化的迅速发展增加了与交通有关的伤亡人数。疲劳驾驶是交通事故的主要原因,公众仍然不太清楚其潜在的危害性。疲劳驾驶被称为“沉默杀手”,因此,对交通事故和与疲劳相关人员伤亡相关的危险因素进行透彻的研究至关重要。国家公路交通安全管理局的一项估计表明,开车时睡着的人数日益增加,由此造成的交通事故不计其数。如果有一种有效的方法来监测这种情况并提醒司机,许多致命的事故是可以避免的。许多心理学研究人员发现,当一个人昏昏欲睡时,他们的心脏信号会发生变化。在早期疲劳驾驶识别,监测驾驶员的面部运动特征（如频繁眨眼和打哈欠等）效果并不明显,而监测他们的生理变化相较而言更加高效。简单的硬件设置用于收集驾驶员的心电数据,数字滤波器用于去除噪声并提取所需信息用于进一步分析,由此可以弥补驾驶员面部特征在早期疲劳驾驶识别的不足。而在识别严重疲劳状态时,监测驾驶员的面部特征比监测心率特征变化更为准确、有效。所以,融合驾驶员心率和面部信息特征的疲劳驾驶识别网络模型所得结果更加精确和令人满意,它可以更有效地监测驾驶员每个阶段的疲劳程度。多信息融合识别驾驶员疲劳状态,不仅提升早期疲劳状态识别准确率,而且克服单一特征识别方法的局限性具有重要作用与实际意义。（1）首先,论文讨论了驾驶员疲劳状态识别方法;然后,进行了驾驶员疲劳状态模拟实验设计,提出了综合驾驶员自评和他评的疲劳状态模拟实验方案,搭建了以摄像头和心电信息采集模块为主的模拟驾驶实验平台,获取了驾驶员面部特征信息、心电特征信息及其主观评价等级信息。驾驶员多心率特征提取方法是采用基于AD8332心电采集模块方式,获取了驾驶员5维心率变异性特征。（2）利用基于68个人脸关键特征点定位的驾驶员面部特征信息提取方法,从不同状态下的驾驶员面部图像信息中,驾驶员头部姿态及欧拉角、眼部纵横比和嘴部长宽比共3大类别5维面部特征;为了避免外部光线对面部图像信息的影响,采用了基于Enlighten GAN网络的图像预处理;讨论了驾驶人头部姿态旋转对EAR、MAR值的影响,引入了基于欧拉角的校正,使得获取的眼睛纵横比和嘴部长宽比更加准确。（3）进行融合心率与面部特征的驾驶员疲劳状态识别原理及方法研究工作,研究了特征级信息融合的驾驶员实时心率及面部的特征,构建了以该融合特征信息作为输入数据源的LSTM（Long Short Term Memory Network）网络的驾驶员疲劳状态识别模型。（4）创建融合了疲劳驾驶心率与面部信息的融合特征数据集作为实验数据来源,并对疲劳驾驶状态识别神经网络模型完成训练和测试工作,并从多维度对识别模型对比分析。结果表明,融合心率和面部特征信息的疲劳驾驶状态识别模型的方法对“正常状态”、“疲劳状态”以及“严重疲劳状态”三个层级的疲劳驾驶状态的识别正确率分别为87.7%、82.4%和85.5%,平均可达到84.9%。