驾驶员疲劳驾驶是导致重大恶性交通事故的主要诱因之一。通过机器视觉对驾驶人面部图像进行识别和分析，可以实现对其疲劳状态的有效判别。该方法为非接触式检测，具有精确度高和实时性好的优点。目前的研究存在的问题是：作为判断指标的特征形式单一，以统计指标为主，且局限于人脸局部特征，没有充分利用面部表情形态包含的疲劳信息。若能够进一步挖掘驾驶人疲劳时的面部整体表情信息，丰富疲劳判别的特征空间，模拟人对疲劳表情的智能认识过程，则可以有效提高检测精度。本文提出了一种全新的思路，对疲劳时人脸的表情形态进行描述和模拟，围绕疲劳表情特征的挖掘和提取、驾驶员疲劳状态判别等问题展开研究。具体研究内容包括：首先，定性分析了疲劳时驾驶人面部表情的特征，并研究了静态图像中疲劳表情特征的表达力。基于实际道路疲劳驾驶试验数据，分析了面部疲劳表情的产生机理和表情元素构成，讨论了疲劳状态迁移过程的基本特性；通过探索人对动态视频和静态图像的疲劳状态辨别能力的差别，研究了静态图像中面部表情特征的疲劳表达力。其次，构建了基于表情几何拓扑构形的疲劳特征体系，并分析了特征对疲劳状态判别的有效性。定义与疲劳表情相关的面部特征点，提出了基于三角网格结构的表情特征量化方法，描述了驾驶人疲劳时表情的几何结构特征；探究特征指标在各疲劳状态下的分布特性以及与直观表情形态的对应关系，并对其差异显著性进行了检验。最后，提出并建立了基于静态图像表情特征的疲劳判别算法。基于本论文提出的疲劳表情形态特征，设计多层的树状结构疲劳状态分类器，各层采用逐步判别法提取分类能力最强的指标集合，并建立有针对性的线性判别函数，最终实现了对驾驶员三类疲劳状态的分层判别。实车试验验证表明，以本文提出的表情形态特征作为判别指标，基于静态图像的疲劳判别算法检测精度为78.5%。判别指标充分体现了面部疲劳表情的形态特征，算法检测精度高于人的平均疲劳判别准确率。