疲劳识别技术可应用于疲劳驾驶预警、空中交通管制员疲劳监测、重型器械操作员疲劳提醒等领域,以规避疲劳作业潜在的巨大安全隐患。针对现有疲劳识别方法欠缺考虑疲劳个体差异性及依赖于实验室数据的不足,本文研究了真实场景下基于自适应阈值眨眼检测及Xgboost的疲劳状态识别问题。有效的特征提取技术是实现可靠、有效的疲劳状态识别的前提。作为提取眼部疲劳特征的关键技术,现有眨眼检测方法存在较少考虑眨眼个体差异性导致泛化能力不足的局限性。本文为此设计了一种结合卡尔曼滤波及波形特征阈值的自适应人眼纵横比阈值眨眼检测方法,该方法可不受特征个体差异及时段波动限制实现自适应捕捉眨眼波形。此外,该方法既可实现实时眨眼检测,又可实时估计眨眼持续时间这一重要疲劳特征。在三个数据集上对所提出方法进行了验证,实验结果充分表明了所提出眨眼检测方法的有效性,为有效的疲劳特征提取提供了保障。基于自适应阈值眨眼检测提取的眼部特征,本文使用机器学习技术构建了疲劳识别模型。现有基于眼部特征的疲劳识别方法一方面受制于实验室数据,无法提供适用于真实场景的识别方法;另一方面疲劳个体差异性给疲劳识别带来了挑战。针对第一点缺陷,本文采用33个实验对象在真实场景下产生的99个视频构建疲劳识别模型。在特征提取环节,为减小眨眼检测带来的测量误差,提出滑窗均值方法结合自适应阈值眨眼检测实现特征提取。在特征处理环节,针对第二点缺陷,本文提出一种归一化方法处理特征,所获特征与标准化特征及未处理特征进行了对比,结果表明该方法可使特征分布更为一致。基于不同处理方法获得的特征,本文研究了支持向量机、多层感知机、决策树、极限梯度提升树四种机器学习分类器实现的疲劳识别模型。结果表明考虑个体差异可使性能大幅提升,且归一化极限梯度提升树疲劳识别模型（简称归一化模型）在疲劳程度三分类任务及二分类任务中均获得了最优识别准确率,分别为73.3%及97.5%。此外,本文使用多种指标比较了提出的归一化个体差异性处理方法与现有的标准化方法去除个体差异性效果,同时分析所构建归一化模型的综合表现。结果表明,归一化模型在两种分类任务上的表现均优于标准化模型及未考虑个体差异模型,证明了所构建模型的有效性。最后,所构建模型对比了采用同源数据构建的HM-LSTM模型,结果表明归一化模型具有特征提取技术无需额外训练、输入参数少、可解释性更强的优点。