随着脑科学和人工智能等相关领域的飞速发展,人类角色逐步由体力劳动者转变为机器设备的监控者,这需要监控者保持相当高的警觉度。此外研究证实睡眠对警觉度具有重要的调节作用,在保证高质量睡眠的基础上安排关键岗位极为重要,因此开展对睡眠检测的研究具有重要意义。但目前警觉度与睡眠状态研究方面存在脑电数据缺乏可靠性评估、少导联的状态检测性能不足、睡眠检测过度依赖于专业人士等亟待解决的问题。本文以脑电等生理学信号为研究对象,开展了实验数据可靠性、单导联脑电信号的状态检测、以及睡眠的特征分析与识别方法等方面的关键技术研究,取得的创新性成果如下:（1）针对实验数据的可靠性问题,从NASA-TLX量表和行为学度量等角度出发,提出了基于行为学度量准则的统计学（t检验和效应量）分析方法对实验数据进行评估,很好的实现了对实验数据的可靠性评估。（2）针对警觉度检测性能不足、导联需求多的问题,提出了基于频带能量的动态偏定向相干（dynamic partial directed coherence,dPDC）算法构建因效性网络。结果表明:警觉度激活脑区主要体现在右侧枕区,利用该区域的脑电信号进行警觉度检测,简化了脑电采集,降低了数据量,为设备小型化提供了支撑。提出了基于核的ELM算法（k ELM）,可以有效实现基于单导联的警觉度检测。（3）针对关联维数（Correlation Dimension,CD）的经典算法:格拉斯伯格-普罗卡西算法（Grassberger-Procaccia,GP）效率低的问题,提出了GP算法和灰建模融合的GM-GP算法。结果表明:GM-GP算法不仅提高了计算效率,并且可以有效表征睡眠状态,CD变化趋势和睡眠状态间存在较高的相关系数。（4）首次将卷积神经网络（Convolutional Neural Networks,CNN）算法应用到睡眠检测领域,相比于传统算法,取得了不错的识别性能。但CNN算法在清醒状态识别率低下,为此提出了基于多模式信号的分层决策算法,在降低样本的训练时间的同时,又保证了状态检测的准确性。