Las ciudades modernas han impuesto un estilo de vida acelerado donde más conductores en la carretera sufren de fatiga y privación de sueño. Como consecuencia, los accidentes de tráfico han aumentado, convirtiéndose en una de las principales causas de lesiones y muerte entre adultos jóvenes y niños. Estos accidentes pueden prevenirse si los síntomas de fatiga se diagnostican y detectan lo suficientemente temprano. Por esta razón, proponemos y comparamos dos modelos basados en CNN de AlexNet para detectar comportamientos de fatiga en conductores, basándonos en la posición de la cabeza y los movimientos de la boca como medidas de comportamiento. Utilizamos dos enfoques diferentes. El primer enfoque es el aprendizaje por transferencia, específicamente, el ajuste fino de AlexNet, lo que nos permitió aprovechar lo que el modelo ya había aprendido sin desarrollarlo desde cero. El modelo recién entrenado fue capaz de predecir los comportamientos de somnolencia de los conductores. El segundo enfoque es el uso de AlexNet para extraer características mediante el entrenamiento de las capas superiores de la red. Estas características se redujeron utilizando factorización de matrices no negativas (NMF) y se clasificaron con un clasificador de máquina de vectores de soporte (SVM). Los experimentos mostraron que nuestro modelo propuesto de aprendizaje por transferencia logró una precisión del 95.7%, mientras que el modelo basado en SVM de extracción de características tuvo un mejor rendimiento, con una precisión del 99.65%. Ambos modelos fueron entrenados en un conjunto de datos simulado de detección de somnolencia de conductores de NTHU.