随着自动化技术的快速发展,人类操作员的工作方式发生了巨大的变化,逐渐从手动操作转变为监控自动控制系统的运行状况。研究显示,疲劳是致使操作事故发生的重要原因之一。于是,有关操作员疲劳状态的研究在世界范围内引起了普遍的关注。为了降低操作员疲劳状态下操作自动控制系统而引发事故的概率,保障操作员的安全操作,实时、准确地检测操作员的疲劳状态非常重要。传统的心电疲劳分类方法虽然能有效地识别疲劳状态,但需要采集较长时间的信号,不能达到疲劳状态的实时监测。深度学习方法相较于传统算法而言,其优势在于不需要复杂的特征提取过程,而且能够通过短时心电信号实时检测疲劳状态,从而减少事故的发生。本文针对操作员的疲劳状态评估开展了如下研究:（1）目前对操作员疲劳状态的研究主要应用于航空、汽车驾驶、轨道驾驶等领域。本文基于密闭舱大气管理系统设计疲劳实验,在实验过程中,使用EEG1100型生理信号采集设备采集了8名被试者在不同任务难度下的心电信号,为后续疲劳模型的建立提供了数据集。此外,利用视觉模拟评分法来评估被试者的主观疲劳状态。（2）提出了一种一维双卷积神经网络（1D-ECNN）方法,基于采集的心电信号检测操作员的疲劳状态。1D-ECNN网络包括2个卷积块、1个全连接层和1个softmax输出层,其中,每个卷积块都由两个卷积层和一个最大池化层组成。该方法仅使用较少的卷积核数量,降低了模型的复杂性,并且使模型训练速度得到提升,同时避免了传统方法中复杂的特征提取过程或者特征选择过程。将心电信号分成时间长度为1s的样本,基于短时心电信号建立一维双卷积神经网络疲劳分类模型。仿真结果表明,此方法的平均分类准确率高达95.72%,能够实时准确地检测操作员的疲劳状态。（3）在保证准确率的条件下,为了解决本文心电数据较少的问题,基于迁移学习思想设计了一种深层卷积神经网络（Deep Convolutional Neural Network,DCNN）用于评估操作员疲劳状态,对操作员的短时心电信号进行疲劳状态的自动分类。首先,提出了一种将心电信号转化为图像的方法,将采集到的心电信号转化成二维图像,即将心电信号直接映射到二维空间转换成时域图片信息。然后,将图像送入DCNN模型中去训练,实现对操作员疲劳的分类。结果表明,该方法能自动从心电信号中提取有效的特征,相对于1D-ECNN来说,达到了更好的疲劳分类效果,实现了对操作员非疲劳和疲劳两种状态的正确分类,平均分类准确率达到了97.36%,与此同时,还可以较好地消除个体差异性的影响。