随着航空运输在交通运输业中扮演越来越重要的角色,飞机承载了保障人民群众生命财产安全的重要使命,航空安全也成为了民用航空的第一追求和永恒主题。确保航空安全也成为民航可持续发展的重中之重。人、环境和机器是影响航空安全的三大要素。近年来,航空飞机在设计、制造、维护等方面取得了迅速发展,飞机的可靠性和飞行的安全性有了显著提高,但由人为因素所导致的飞行事故占整体事故的比例并未降低,尤其是因为飞行员疲劳所导致的飞行事故。因此,定量识别飞行员疲劳状况并及时给出告警,减少因飞行员疲劳造成的飞行事故,对航空安全具有重大的意义。这也成为目前航空安全管理实践亟待解决的一个重大现实问题。近年来便携式脑电波采集设备取得了长足的发展,这使得具有疲劳监测“金标准”之称的脑电波信号采集难度降低,也使得基于脑电波信号监测飞行员疲劳状况更具研究价值。本课题通过对飞行员在CRJ-200模拟驾驶舱内进行的模拟实验所得的脑电波信号以及飞行员飞行过程中的生理状况进行分析,提出了基于飞行员脑电波信号来分析与监测飞行员疲劳状况的深度学习网络模型。首先,根据飞行员疲劳产生的诱因设计模拟实验,并依据两级疲劳量表对飞行员疲劳状况进行非疲劳、微疲劳和极度疲劳的划分;其次,对设备采集到的飞行员脑电波信号进行小波包精细化分析,以提取出飞行员脑电波信号的四种节律波段,得出较纯净的飞行员疲劳状况监测输入的指标;最后,提出基于脑电波信号处理的深度学习网络模型来识别飞行员疲劳状况。通过模拟实验所得的脑电波信号的样本对所提模型的训练及测试,发现基于深度稀疏自编码网络和基于收缩自编码网络的模型能够很好的分析与识别飞行员疲劳状况。此外,所提的深度学习网络模型方法可以为飞行员疲劳状况识别提供新的理论依据,为未来通过脑电波信号监测和预警飞行员在执行飞行任务时的疲劳状况提供了方向。