近年来,伴随着汽车数量以及驾驶人数的增加,全世界面临着更为严峻的交通安全形势。数据表明,疲劳驾驶约占重大交通事故的10%-15%。疲劳检测对于降低交通事故发生率,保障交通出行安全,有着重要的意义和应用前景。如何获取驾驶员的疲劳特征,评估其疲劳程度,已成为国内外研究的热点。本论文研究了国内外疲劳检测算法,并针对现有算法的特征少,稳定性差及准确度低等弊端,提出了一种基于多视觉特征的疲劳检测算法。首先,为了提高疲劳检测的准确度和稳定度,在基于人脸检测及关键点定位的基础上,论文研究给出了多个视觉特征来进行疲劳检测,增加了特征向量的维度。这些特征包括眨眼频率、闭眼时长、打哈欠的频率、打哈欠的总时长、点头的频率、点头的总时长、摇头的频率以及摇头的总时长。然后,论文通过各机器学习模型,对采集到的特征样本数据集进行训练和交叉验证,并根据精确率、准确率、召回率等指标,优选出逻辑回归(Logistic Regression,LR)模型,提出了一种基于LR模型的多特征融合的疲劳检测算法。最后,论文搭建了实时的疲劳检测系统,以300帧为检测滑动窗口,实现每秒一次的疲劳检测效果。当系统检测出驾驶员处于疲劳状态时,将立即给予提醒和警告。同时,论文将本文给出的基于LR模型的多特征融合疲劳检测算法与现有的P80单特征检测及基于模糊系统多特征融合检测算法进行了性能比较。结果表明,无论是在检测的准确率,精确率还是召回率上,本文提出的基于LR模型的多特征融合疲劳检测算法都明显优于其它两种检测算法。