疲劳驾驶是造成交通事故的重要原因之一。基于机器视觉技术通过对驾驶人面部表情特征的分析可实现疲劳状态的有效估计。由于该方法具有非侵入、准确、实时的特点而成为疲劳驾驶在线辨识中最具潜力的技术手段。然而，受实际行车环境中光照条件的复杂性、驾驶人面部姿态的不确定性、疲劳表征的隐匿性、驾驶人的个体差异性等诸因素影响，高鲁棒、全天候的的驾驶人疲劳状态在线辨识仍存在众多技术瓶颈。本文围绕光照与姿态变化条件下眼部特征的定位提取、驾驶人姿态估计与校准、疲劳特征空间建模及疲劳模式推断等核心问题展开研究，开发了可适用于实际交通环境的疲劳驾驶实时辨识系统并进行了实验验证。论文深入分析了实际行车环境中光照条件、驾驶人姿态变化对眼睛定位算法适应性的影响，建立了基于层叠式形状模型和自商图局部纹理模型的主动形状模型算法，实现了眼睛局部邻域的有效分割和可靠跟踪。在此基础上，充分利用自商图、色度以及梯度的统计分布等光照不变特征，建立了光照不变量约束下的参数化模板算法，实现了眼睛轮廓的精确定位。另外，设计了采用偏振光照明的双光谱互补照明光路，有效解决了夜晚在辅助光源照明下眼镜片的反光问题。充分考虑了行车过程中驾驶环境的时域稳定性，提出了一种综合利用机器学习、在线自适应肤色建模、纯背景建模技术的面部区域分割算法，并通过对面部区域内角点的跟踪，基于外极线约束方程建立了驾驶人相对姿态角解算模型。同时，基于Candide模型实现了驾驶人头部的个体三维重建，并通过三维模型配准完成了驾驶人初始姿态角的确定。采用统计学方法分析论证了不同疲劳水平下眼睛动作参数差异的显著性，建立了基于眼睛动作特征的疲劳特征空间，并模拟人的认知过程，提出了在驾驶任务初期采用基于训练样本得到的先验知识对疲劳模式进行分类，并在自学习基础上基于贝叶斯置信网络对驾驶人疲劳状态进行推断的辨识方法。