疲劳驾驶问题是目前导致交通安全事故发生的主要原因之一，已引起社会各界的广泛关注。非接触式疲劳检测方法是预防疲劳驾驶的有效手段，其中基于PERCLOS(percentage of eyelid closure)指数的方法是学术界最认可的方法，如何正确识别驾驶员眼睛的睁闭状态是该方法的关键问题。目前眼状态识别算法及其模型尚不成熟，难以适应复杂多变的光照环境及其它复杂条件，需要对此展开深入的研究。本文的研究目标在于在分析现有眼状态特征及识别方法的基础上，寻找对光照及头部转动具有较高鲁棒性的眼状态特征，以及对该特征有较好分类性能的识别算法，以求在实际应用中给用户较好的使用体验。本文的研究是在红外光条件下展开，能适应全天候检测环境的需要。本文主要工作如下：（1）对现有的驾驶员眼状态识别算法进行了归类划分，分别对可见光条件下和红外光条件下的眼状态识别算法进行了详细的分析和比较。（2）针对驾驶环境下的复杂光照问题，寻找了一种对光照变化不敏感的梯度直方图特征（HOG特征），在这种特征基础上，结合SVM分类模型，提出了基于HOG特征的眼状态识别方法。（3）针对驾驶员头部转动使眼睛形变及眼镜反光的问题，提出了一种基于灰度形态学的眼状态识别方法，该方法引入了模糊逻辑理论，把眼状态分为睁开，闭合和不可识别三种状态。该算法模型除了能解决眼睛形变及光照问题外，在其他复杂条件下也有较好的效果。（4）对所提出的算法模型进行了仿真，并与目前常用的眼状态识别方法进行了比较分析。实验结果表明，基于HOG特征的方法对光照具有较强的鲁棒性，而基于灰度形态学的眼状态识别方法除了对光照不敏感外，对眼睛形变等的情况也有较好的效果，在可识别图像集中平均准确率达90%以上，均高于目前常用的眼状态识别方法，能适应复杂驾驶环境的应用需要。