警觉度通常定义为，对外界刺激长时间的保持注意力和警惕性的能力。人机交互系统中需要操作人员保持足够的警觉度。一些特殊的工作，如空中管制中心的管制员、飞行员和高速公路上的长途客车以及高速列车驾驶员，对警觉度的要求尤其严格。如何对人的警觉度进行精确估计，实时地监测人的警觉度是人机交互系统研究中的一项非常重要的课题。视频人脸图像方法由于其便携性以及成本低廉，成为警觉度估计方案中的一种重要手段。但由于周围光照条件以及驾驶环境变化的特性，该方法与其他人体生理信号方法比较也有不足。本文通过二值化及图像梯度方法获得PERCLOS特征，融合打吹欠频率、眼皮移动速度、身体姿态等多种视频图像特征，对驾驶员警觉度进行系统的研究。对于实验中发现的不同性质的个体对于警觉度变化的不同参数的现像，采用先对不同性质的个体进行分类，在类别中采用更合适的模型的方式优化系统。本文讨论了多角度条件下的人脸图像性别分类问题，提出了基于层次的分类器模型。并利用人脸的对称性大大提高了分类精度。本文进一步实验了多种不同的分类器融合方法，从而为基于多模态的驾驶员警觉度估计系统的研究打下基础。