近年来,随着汽车数量的不断增加,交通事故频繁发生,这给国家和个人带来了巨大的财产损失。目前,研究表明疲劳驾驶是造成严重交通事故的重要原因之一,世界各国法律法规中都明确禁止驾驶员疲劳驾驶车辆。因此,设计一个能够快速检测疲劳驾驶行为并对驾驶员做出及时预警的系统,对改善交通安全状况具有重要的社会意义。基于驾驶员视觉特征的疲劳检测方法因其检测成本低、实时性、对驾驶人无干扰等优点,并在汽车安全辅助驾驶领域得到了广泛应用。驾驶员脸部的检测是疲劳检测方法中的前提条件。但是,不同类型眼镜的遮挡以及驾驶过程中的光照变化等因素会对驾驶员面部信息的检测产生影响。针对以上问题,本文搭建了一套可靠的红外相机图像采集系统,结合深度学习和人眼视觉特征的思想,提出了一种基于门控循环单元和全卷积网络的疲劳驾驶检测方法。首先,借助红外相机采集系统捕获驾驶员脸部图像;其次通过多任务级联的卷积神经网络(Multitask Cascaded Convolutional Neural Networks,MTCNN)对驾驶员进行人脸检测和特征点定位,根据面部关键点的几何位置关系来获取驾驶员眼睛图像;然后运用卷积神经网络(Convolutional Neural Networks,CNN)的识别算法对提取出的眼睛图像进行睁闭状态的识别,并将结果输出为完整的面部状态序列化数据;最后利用驾驶员疲劳特征的前后关联性,将状态序列化数据作为时间序列传递到含有门控循环单元(Gated Recurrent Unit,GRU)的全卷积网络(Fully Convolutional Networks,FCN)中实现驾驶员疲劳状态的判定。实验结果表明,本文提出的方法在光线条件差以及驾驶员佩戴不同类型眼镜情况下,能够准确地识别驾驶员眼睛的睁闭状态。与基于疲劳参数为基础的检测方法相比较,该方法在疲劳检测任务上展现了良好的疲劳检测性能,其准确率达到了99.12%,并且能够在实验条件下实现对驾驶员驾驶状态的预测。