现如今交通事故发生率居高不下,其中六成因素是驾驶员人为导致,而驾驶员疲劳更是不可忽视的因素之一。若能有效检测出驾驶员产生疲劳的时刻并及时预警提醒,将会对人身安全的保护,交通事故率的减少大有裨益。当下国内外研究对疲劳检测主要围绕基于生理信号、个体活动与车辆行为三方面展开,其中生理信号检测结果最为准确。心电检测仪器繁多,不适用于实际驾驶情况,而脑电、肌电检测会因受试者的身体特性不同而无法建立通用模型。针对生理信号检测疲劳过程中存在的不足,论文以毫米波雷达探测生理信号为基础,在此基础上实时分析驾驶员的精神状况。首先以毫米波雷达采集的生理信号为研究目标,设计并开展了无接触疲劳驾驶模拟实验,以疲劳调查问卷结果为依据验证实验的合理性;其次对采集到的原始胸腔信号进行预处理,经过解卷绕、带通滤波、频域变换等流程分离出心电和呼吸两种生理信号;然后对两种生理信号进行了深入研究,提取分析衍生的特征参数,探讨特征参数随驾驶疲劳加深的变化规律,使用统计学方法验证数据有效性并确定疲劳时刻发生的准确时间;最后搭建了适合的随机森林评价疲劳模型,完成确定驾驶员疲劳发生时间的核心任务。论文以七种核心特征参数(心率均值、心率均方根差值、心率低频、心率高频、心率低频与高频的比值、呼吸均值、心率与呼吸的比值)作为随机森林的输入,经过测试集分类检验,得到最终的总体准确率为91.67%。用随机森林模型训练得到的驾驶疲劳评价模型具有较高的准确率,证实通过心电和呼吸两种融合特征参数能够有效的判别驾驶员是否处于疲劳状态,该方法为驾驶疲劳检测提供了新的研究方向和参照方法。提出使用贝叶斯优化优化随机森林的超参数,优化后的随机森林模型预测准确率为94.44%,较之前提高了2.77%,为疲劳检测开辟了新的研究道路。