空中交通管制员疲劳风险管控是中国民航航空安全研究的重要部分。管制员疲劳问题一旦严重,可能直接或间接引起一系列事故征候,甚至引发事故。因此,以客观的方法检测管制员的疲劳和相关行为动作,具有重要的研究意义。目前针对管制员的疲劳检测,状态检测多以主观评价法居多,客观评价法较少。在客观评价方法中,计算机视觉因为其经济性和无干扰性,已被相关研究应用。但目前基于计算机视觉的管制员疲劳状态检测仅限于面部特征信息,本文认为除面部信息外,行为动作也包含诸多的信息要素,对这些信息进行挖掘,有助于分析管制员的疲劳现象和相关状态。因此将本文将动作识别引入空管安全监测领域。目前基于面部信息的管制员疲劳检测在疲劳阈值选定上大多采用车载疲劳的标准,缺少对管制员的个性化评价指标。针对此问题,本文在多名一线管制员身上进行了相关实验,以得到适用于管制员的相关指标变化规律。本文提出的状态检测方法结合多检测算法,通过图像处理,深度学习技术逐步定位人脸,人眼区域,定位人体骨骼关键点。构建了两大模块,眼部状态检测模块和肢体动作检测模块。眼部检测模块选用MTCNN神经网络模型标定管制员人眼区域,再通过卷积神经网络判定眼睛睁闭状态,计算生理学成熟疲劳指标PERCLOS。肢体动作检测模块利用OpenPose,AlphaPose算法将人体骨骼关键点标出,利用骨骼关键点作为输入端输入到一个深度神经网络中,识别出相应行为动作。与面部疲劳模块结合做疲劳断定或单独判定管制员行为。最后,本文在中国民用航空局西南空管局78名一线管制员身上进行了实验,实验结果表明本文提出的方法取得了良好的效果。