疲劳驾驶一直是引发车祸的主要原因。当驾驶员出现疲惫意识时,都会不自主地打瞌睡,最终导致了车祸的发生,造成生命财产的损失。因此,研究一种设备能快速准确地检测出驾驶员的疲劳等级,准确警示驾驶员危险驾驶对降低交通事故的发生率有着非常重要的实际意义。对于各种检测方式存在检测精度低、侵入性高、稳定性差等局限性,基于多源信息融合的疲劳检测方式能互补多种疲劳检测技术的缺点,已经渐渐引起学者的关注与研究。本文设计了一种基于驾驶员生理参数和行为特征多源信息融合的非接触式疲劳驾驶检测方法,从而有效地增强了疲劳识别的准确度和稳定性。本文首先采用多普勒雷达探测驾驶员的生理参数,经过滤波器分离并且特征提取后建立生理参数数据集PPDS（Physiological Parameter Data Set）。为了验证多源信息融合的优越性,避免单一信号抗干扰性差的缺点,使用高清摄像头定位捕捉面部信息,提出眼部纵横比、嘴部纵横比和头部欧拉角计算公式提取出驾驶员面部特征点,建立生理参数和行为特征多源融合的数据集MFDS（Multi-source Fusion Data Set）。最后设计极限学习机（Extreme Learning Machine,ELM）、核函数极限学习机（Kernel ELM,KELM）以及小波核函数极限学习机（Wavelet Kernel ELM,WKELM）等优化算法分别对PPDS和MFDS数据集进行训练分类,得到最优分类模型判断驾驶员的身体疲劳等级。实验结果表明使用多源信息融合的数据集对身体疲劳状态的检测准确度相比于单一生理参数数据集提升了2%左右,体现了多源信息融合的优越性。另外为了验证WKELM在疲劳状态检测方面识别率高、稳定性强的优点,分析对比传统分类算法SVM（Support Vector Machine）和基于遗传算法进一步优化后的BP神经网络（Genetic Algorithm Back Propagation,GABP）,在MFDS数据集上进行分类训练,最终证明WKELM算法训练速度快,疲劳状态识别率最高达到了95.83%,能更好地判别驾驶员的疲劳等级。