疲劳驾驶检测技术在道路安全方面起着至关重要的作用。国内外众多学者针对基于驾驶员生理信号、面部特征、汽车运动信息等多种疲劳检测技术都进行了深入研究,每种疲劳检测方法都有其自身缺陷例如侵入性测试、误检测、漏检测等。基于多源信息融合的疲劳检测方法因其能平衡互补多种疲劳检测方法来提高系统疲劳检测准确率而逐渐引起人们的关注,考虑到驾驶疲劳是驾驶人员产生疲劳状态进而影响到车辆行驶的过程,本文提出基于驾驶员脑电（EEG）与车辆运动信息融合的疲劳检测方法,分析脑电节律波频带能量比与方向盘转角、行驶加速度与车速的相关性并进行特征融合,建立多源信息融合的支持向量机（SVM）疲劳检测模型。本文主要研究内容如下:（1）构建驾驶员脑电与车辆运动信息疲劳数据库。基于eego MTmylab系统与虚拟驾驶器搭建可实时同步采集驾驶员脑电与车辆运动数据的虚拟驾驶测试平台,同步采集脑电与车辆运动数据进行疲劳状态标定,构建包含776组融合疲劳检测数据的数据库;（2）驾驶员脑电与车辆运动信息数据处理与疲劳特征描述方法。预处理驾驶员脑电数据并基于小波包分解与重构算法解构出α、β、θ、δ四种典型脑电节律波,计算波频带能量比作为脑电疲劳检测指标。基于样本熵、标准差、均值对车辆行驶过程中车速、行驶加速度和方向盘转角等车辆运动信息进行数据处理并分析其与驾驶员疲劳状态关系。评价脑电与车辆运动信息疲劳判断指标的准确性,建立最优特征子集;（3）建立了脑电与车辆运动信息疲劳检测特征指标的相关性分析模型,构建基于驾驶员脑电与车辆运动信息融合的疲劳检测模型。基于Pearson相关系数分析24组脑电与车辆运动信息疲劳检测特征指标组合的关联性,对最强关联性特征集进行特征层融合,输入搭建的SVM融合疲劳检测模型进行多源信息融合疲劳检测,检测的准确率为92.97%,并从准确率、灵敏度和特异性三个维度进行模型评价。本文实现了基于脑电与车辆运动信息融合的疲劳驾驶检测且模型检测准确率为92.97%,而基于脑电或车辆运动信息单一特征进行疲劳检测时,检测系统的准确率仅为89.84%和83.59%。因此,本文基于脑电与车辆运动信息融合疲劳检测研究对多源信息关联融合技术的疲劳检测研究有一定的参考意义。